Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

技術要約：タンパク質配列とSMILESからのゼロショット・タンパク質–リガンド結合部位予測

問題提起
タンパク質–リガンド結合部位を正確に特定することは、メカニズム生物学および創薬において極めて重要である。しかし、既存の計算手法は汎用性に欠けることが多く、特定のリガンドカテゴリに効果が限定されたり、データの可用性に依存してリガンドファミリー間で予測性能が大きく変動したりすることがある。X線結晶構造解析のような実験手法は構造データを提供するが、多大な労力を要するため、ハイスループットな予測には計算科学的アプローチが必要となる。現在の研究における主要な限界は、データの可用性レジーム（データ豊富、データ不足、およびデータ不在［ゼロショット］）に応じて予測性能がどのように変化するかに関する体系的な評価が欠如していることである。さらに、データ豊富なリガンドにおける性能と、未知のリガンドへの汎化性能を区別するには、リガンドを考慮した評価フレームワークが必要である。

手法
著者らは、BioLiP2由来のデータセットを利用した、体系的なリガンド認識型ベンチマークおよび評価フレームワークを提示する。データセットは、リガンド固有の受容体データセット内での配列同一性40%によるCD-HITクラスタリングを用いて処理され、冗長性を排除している。評価は、以下の3つの明確なレジームに構造化されている：

1. 過剰表現（Overrepresented）: 100個以上のサンプルを持つリガンド。
2. 過少表現（Underrepresented）: 20～99個のサンプルを持つリガンド。
3. ゼロショット（Zero-shot）: 学習および検証から完全に除外された、1～19個のサンプルを持つリガンド。

これらのレジームにおける性能を評価するために、著者らは段階的な3段階の配列ベース・モデリング・スイートを開発した：

• ステージ1（リガンド固有のベースライン）: 事前学習済みタンパク質言語モデル（PLM、具体的にはESM-2）を用いて残基レベルの埋め込みを生成する、リガンドタイプごとに個別のモデルを学習させるベースライン・アーキテクチャ。このモデルには推論中にリガンド固有の入力（SMILESやID）は提供されず、モデルはタンパク質配列とその特定の学習データのみに依存する。
• ステージ2（学習済み埋め込みを用いたマルチリガンド）: 定義された複数のリガンドタイプに対して結合部位を予測するように単一のモデルを学習させる。タンパク質配列は同一のPLMによってエンコードされる。リガンドの同一性は、学習可能な埋め込みテーブルをクエリするインデックスとして提供され、双方向トランスフォーマー・デコーダを介したクロスアテンションによってタンパク質の特徴量と融合される。これにより、モデルはプールされたデータセットから学習できるが、未知のリガンドへの汎化はできない。
• ステージ3（ゼロショット汎化）: 固定されたリガンド埋め込みテーブルを、SMILES文字列を操作する事前学習済み化学言語モデル（CLM、具体的にはMolFormer）に置き換える。CLMはリガンド表現を生成し、それがPLMの特徴次元に一致するように投影され、同じデコーダを介して融合される。このアーキテクチャにより、教師あり学習および検証データには存在しないリガンドの識別に対する予測が可能となる。

本研究では、モデルが一般的なタンパク質の性質ではなく、特定のリガンド情報を利用していることを検証するために、一定、不一致、またはスクランブルされたSMILESを入力とする厳格なコントロール実験を採用している。また、タンパク質表現の容量への影響を分析するために、ESM-2の5つのスケール（8Mから3Bパラメータ）および複数のCLM構成（MolFormer, UniMol-2）にわたるアブレーション研究を実施した。

主な貢献

1. リガンド認識型ベンチマーク: 過剰表現、過少表現、およびゼロショットのリガンド・スプリットを含む標準化された評価フレームワークの確立。これには、様々なデータ可用性にわたって残基レベルの予測を体系的に評価するための、リガンド内配列クラスタリングが含まれる。
2. 段階的モデリング・スイート: 単一リガンド学習からマルチリガンド・コンディショニング、そしてSMILESベースのゼロショット推論へと、リガンドの教師あり情報が減少するにつれて性能がどのように変化するかを特徴付ける、3段階のモデリング進行の開発と評価。
3. 制御された表現分析: アブレーションおよびリガンド入力のコントロール（一定、不一致、またはスクランブルされたSMILES）を通じた、タンパク質および化学表現の体系的な評価。これにより、特定のリガンド入力が予測精度に寄与していることを実証した。

結果

• ステージ2 vs. ステージ1: 過剰表現のテストセットにおいて、ステージ2はステージ1（0.4769）よりも高いリガンド・マクロF1（0.5832）を達成した。しかし、著者らはこの比較にはアーキテクチャ、コンディショニング、および学習レジームの同時変化が伴うことを指摘している。6つのリガンドを用いた一致アブレーションでは、線形予測器をステージ2のデコーダのみに置き換えると、わずかな改善（+0.0136 F1）しか見られなかった。これは、利得の大部分がマルチリガンド学習とコンディショニングに起因することを示唆している。
• ステージ3の性能: ステージ3モデルは、未知（ゼロショット）のリガンドに対して、プールされた残基レベルF1で0.3109、リガンド・マクロF1で0.2338を達成した。これは、表現されたリガンドにおけるステージ2（例：過剰表現のリガンド・マクロF1が0.5832から0.5526に低下）と比較して緩やかな性能低下ではあるが、未知のリガンドの識別に対して結合部位を予測できる能力を示している。
• コントロール実験: ネイティブのSMILESを一定、不一致、またはスクランブルされた入力に置き換えると、すべての3つのテストレジームにおいて性能が大幅に低下した（例：ゼロショットのプールされたF1は、一定の入力を用いると0.3193から0.1335に低下した）。これは、モデルが一般的なタンパク質の結合部位の傾向のみに依存するのではなく、供給されたリガンドの関連性に依存している証拠である。
• スケーリング分析: PLMのスケール（ESM-2）を大きくすると、概して全レジームで性能が向上したが、その傾向は厳密に単調ではなかった。対照的に、CLMのスケール（例：UniMol-2 84Mから570M）を大きくしても、得られる利得は小さく、一貫性に欠けていた。
• ベースライン: ステージ2モデルは、過剰表現のセットにおける特定の金属イオンおよびコファクターにおいて、いくつかの配列および構造ベースのベースライン（Boltz-2x, Prot2Token, LMetalSiteを含む）を上回った。

意義および主張
本論文は、リガンドのデータ可用性が残基レベルの結合部位予測に与える影響を定量化し、未知のリガンドへの汎化を評価するための体系的なベンチマークを提供することを目的としている。著者らは、彼らのゼロショット能力が、3D複合体を生成することなく、タンパク質配列とSMILESのみを使用して残基レベルの予測を可能にすることを強調している。

本研究は、モデルがゼロショット汎化を示す一方で、現在のアーキテクチャはクロスモーダル融合のための浅いプロジェクタに依存しており、CLMのスケーリングによる恩恵が限定的であることは、現在のセットアップ下ではタンパク質表現の容量が性能に強い影響を与えることを示唆している、と控えめに結論付けている。また、著者らは、ゼロショットの設定はリガンドの識別レベル（学習から除外されたリガンドID）で定義されており、学習データから受容体配列や受容体ファミリーが欠如していることを意味しないことを明確にしている。本研究は、コード、データ、およびモデルの重みを公開することで、リガンド認識型およびゼロショットの残基レベル結合予測における再現可能な進歩を支援することを目指している。