Harmonic Torsional Diffusion for Protein-Ligand Flexible Docking

技術要約：タンパク質-リガンドの柔軟なドッキングのための調和ねじれ拡散（Harmonic Torsional Diffusion）

問題提起
分子ドッキングには、リガンドのポーズとタンパク質の柔軟性を共同で推論することが求められる。近年の拡散ベースのモデルは、この分野を進展させてきたが、その多くは、角度変数の周期的な幾何学構造を無視した一般的なユークリッド・ヘッドを用いてねじれ（torsional）の更新を予測している。この不一致は、リガンドのコンフォメーションとポケットの側鎖が結合複合体を形成するために共適応する柔軟なドッキングにおいて、特に制限要因となる。既存のディープラーニング手法は、基本的なリーマン生成メカニズムに依存していることが多く、回転角 $\chi$ ダイヘドラル角に由来するタンパク質側鎖の離散的なロタマー状態といった、コンフォメーションの自由度に内在する豊かな幾何学的構造を活用できていない。

手法：Harmony
著者らは、幾何学的な不一致に対処するために設計された、調和ねじれ拡散フレームワークである Harmony を提案する。核心となる革新は、ねじれ角の直接的な更新を予測するのではなく、円周上の学習された調和ポテンシャルの微分として、リガンドおよび側鎖のねじれスコア場をパラメータ化することにある。

1. トーラス上の分散拡大（VE）拡散: 本手法は、順方向のノイズ付加プロセスがトーラス上の熱流として機能する VE-SDE フレームワークを採用している。円 $\mathbb{T}$ 上のねじれ角 $\vartheta$ に対して、ノイズはラップされたガウス分布として適用される。著者らは、このプロセスがトーラス上の熱核（heat kernel）と一致し、時間依存の拡散係数を伴う熱方程式を満たすことを示している。
2. 調和パラメータ化: 熱半群（heat semigroup）がフーリエ基底（円上のラプラス・ベルトラミ演算子の固有関数）に対して対角的に作用するという事実を利用し、Harmony はねじれスコア場を有限のフーリエ展開を用いて表現する：
   $$\psi_e(\vartheta) = \sum_{k=1}^K [a_{e,k} \cos(k\vartheta) + b_{e,k} \sin(k\vartheta)]$$
   モデルは、ニューラルネットワークを介してフーリエ係数 ($a, b$) を予測する。スコア場は、熱平滑化された調和展開を角度に関して微分することによって解析的に導出される。
3. 周波数認識型帰納バイアス: 熱半群の減衰因子 $\exp(-\frac{1}{2}k^2\sigma^2(\lambda))$ が、スコア関数に明示的に組み込まれている。これにより、高周波の角度構造が高ノイズレベルにおいて抑制され、ノイズレベルが減少するにつれて（$\lambda \to 0$）徐々に再出現することが保証される。この構成により、周期性が明示的になり、ロタマー運動に対する周波数認識型の帰納バイアスが提供される。
4. アーキテクチャ: Harmony は、リガンド原子、受容体残基（C$\alpha$）、および結合ポケット内の受容体原子を処理する、不均一な SE(3) 等価グラフニューラルネットワーク（e3nn に基づく）を利用する。ネットワークは、剛体運動のスコア（並進/回転）と、リガンドのねじれおよび柔軟なポケット側鎖のねじれの両方のための調和係数を共同で予測する。

主な貢献

• 幾何学的整合性: 本論文は、スコアのパラメータ化を、ねじれ角をユークリッド空間に強制するのではなく、拡散プロセスの固有の幾何学（トーラス）に合わせることを提案している。
• 解析的スコア定式化: 調和ポテンシャルを使用することで、ねじれ角の周期性と拡散プロセスにおけるノイズレベルへの依存性を自然に尊重する解析的なスコア関数を導出している。
• 共同モデリング: 本フレームワークは、リガンドのコンフォメーションとタンパク質側鎖の配向の間の結合関係を自然にモデル化し、誘導適合（induced fit）に不可欠な多周波運動の特徴を捉える。

結果
著者らは、PDBBind ベンチマーク（ESMFold によって予測された apo 構造を使用）および PoseBusters セットを用いて Harmony を評価している。

• PDBBind の性能: Harmony は、リガンド成功率（L-RMSD < 2 Å）において 64.2% を達成し、これは FlexDock (41.7%) や DiffDock-Pocket (32.4%) といった最近の柔軟なドッキング手法を大幅に上回る。また、ポケットの全原子再構成（AA-RMSD < 1 Å）においても、41.7% から 47.3% へと向上させた。
• PoseBusters: 事後の緩和を行わずに物理的妥当性をテストする PoseBusters ベンチマークにおいて、Harmony はベースラインを凌駕し、化学的妥当性、内部ステリック衝突の減少、およびリガンド歪みの面で改善を示した。
• ケーススタディ: 本手法は、困難なターゲットに対して堅牢な挙動を示す：
  • EBNA1 (6NPP): ベースラインが失敗する広い結合部位において、包囲ループ構造を正常に維持している。
  • KRAS G12D (6GJ8): ベースラインモデルが大きなポーズ誤差を生じる、浅く高度に露出した結合部位において、正確なコンフォメーションを復元している。
• アブレーション研究: 実験により、少数の調和モード（$K=4$）が最適であること、および明示的な周波数減衰項が性能に極めて重要であることが確認された。さらに、リガンドと側鎖の両方に調和学習を適用することは、片方にのみ適用する場合よりも優れた結果をもたらし、共同表現の利点を検証している。

意義と主張
本論文の主な貢献は、「スコアのパラメータ化を拡散プロセスの幾何学に合わせることは、柔軟なドッキングを改善するための単純かつ効果的なレバーである」ことを示した点にあると主張している。著者らは、ねじれ運動の固有のマニホールド構造を尊重することは、単なるモデリングの詳細ではなく、正確な拡散ベースの柔軟なドッキングのための鍵となる要素であると断言している。

結果は、Harmony が補助的な緩和モジュールや、他の手法（FlexDock など）が必要とする後処理ステップに頼ることなく、リガンドのポーズ精度とポケットの再構成を向上させることを示している。著者らは、本アプローチが、分子結合の中心となる特定の自由度に対して自然な表現を提供し、生成された複合体の構造的妥当性と物理的妥当性を高めるものであると結論付けている。研究を促進するため、ソースコードは公開されている。