FlowDock: 단백질-리간드 결합의 미래를 여는 딥러닝 모델


FlowDock은 다중 리간드 결합을 동시에 모델링하고, 우수한 도킹 성공률과 결합 친화력 예측 성능을 보이는 혁신적인 딥러닝 기반 단백질-리간드 도킹 모델입니다. CASP16에서도 상위권에 랭크되며 그 효용성을 입증했습니다.

related iamge

FlowDock: 단백질-리간드 결합의 미래를 여는 딥러닝 모델

최근 단백질-리간드 구조의 생성 모델이 급속히 발전하고 있지만, 유연한 단백질-리간드 도킹과 친화력 추정을 동시에 지원하는 모델은 매우 드물었습니다. 기존 모델들은 여러 리간드 결합을 동시에 모델링하거나 약리학적으로 중요한 약물 표적에 대한 엄격한 벤치마킹이 부족하여 약물 발견 분야에서의 광범위한 적용에 어려움을 겪었습니다.

하지만 이제 FlowDock이 등장했습니다! Alex Morehead와 Jianlin Cheng이 개발한 FlowDock은 조건부 흐름 매칭(conditional flow matching) 기반의 딥 지오메트릭 생성 모델로, 다수의 리간드 결합을 동시에 모델링할 수 있습니다. 결합되지 않은(apo) 구조를 결합된(holo) 구조로 직접 매핑하여, 다양한 리간드에 대한 단백질-리간드 복합체 구조를 생성합니다. 단순히 구조를 생성하는 것을 넘어, 각 생성된 구조에 대한 구조적 신뢰도 점수와 결합 친화력 값을 제공하여 신속한 가상 스크리닝을 가능하게 합니다.

그 성능은 실로 놀랍습니다. 널리 사용되는 PoseBusters 벤치마크 데이터셋에서, FlowDock은 결합되지 않은 단백질 구조만을 입력으로 사용하여 51%의 도킹 성공률을 달성했습니다. 이는 다중 서열 정렬(multiple sequence alignments)에서 얻은 정보 없이도 이룬 놀라운 결과입니다. 더욱 까다로운 DockGen-E 데이터셋에서는, 단일 서열 Chai-1 모델과 동등한 성능을 보이며 결합 포켓 일반화 능력을 입증했습니다.

뿐만 아니라, 제 16회 구조 예측 기술 비평가 평가(CASP16) 리간드 부문에서 140개의 단백질-리간드 복합체를 대상으로 한 약리학적 결합 친화력 추정에서 상위 5위 안에 드는 성적을 거두었습니다. 이를 통해 FlowDock이 학습한 표현(representation)의 가상 스크리닝에서의 효과를 명확하게 보여주었습니다.

FlowDock의 소스 코드, 데이터, 그리고 사전 훈련된 모델은 https://github.com/BioinfoMachineLearning/FlowDock 에서 확인할 수 있습니다. 단백질-리간드 도킹 및 친화력 예측 분야의 혁신을 이끌 FlowDock에 대한 기대가 높아지고 있습니다. 앞으로 약물 발견 분야에 어떠한 변화를 가져올지 주목해 볼 필요가 있습니다! 🎉


*이 기사는 AI가 생성한 내용으로, 일부 정보가 실제와 다를 수 있습니다. 정확한 확인을 위해 추가적인 검증을 권장드립니다.

Reference

[arxiv] FlowDock: Geometric Flow Matching for Generative Protein-Ligand Docking and Affinity Prediction

Published:  (Updated: )

Author: Alex Morehead, Jianlin Cheng

http://arxiv.org/abs/2412.10966v1