技術要約: EnsPlex

問題提起

タンパク質複合体の構造予測は、二重の課題に直面している。すなわち、ネイティブ構造（天然構造）を含む広範な候補コンフォメーションを生成することと、限られた出力予算内でそれらの正確なモデルを効果的に特定することである。既存のアプローチは、多くの場合、これらの段階を独立したものとして扱っている。エンドツーエンドのモデル（例：AlphaFold-Multimer、AlphaFold3、Boltz-1）や分子ドッキングのワークフロー（例：HADDOCK）は、候補の生成には焦点を当てているが、一貫して正確なモデルをランク付けすることに苦慮する、非較正の内部スコアリング関数に依存している。逆に、品質評価モデルは単一のソースから得られた既定のプールを再ランク付けすることに特化しており、異なるジェネレーター間での相補的なサンプリングの必要性に対処できていない。これは、共進化シグナルが弱く、インターフェースが柔軟な抗原抗体システムにおいて特に重要であり、単一の手法が広範なカバレッジと高信頼度の選択を同時に提供することを困難にしている。

手法

著者らは、マルチソースの構造サンプリングとトポロジーを考慮した候補選択メカニズムを統合した統一フレームワークである EnsPlex (Ensemble-sourced Sampling and Selection for PPI Complex Structure Prediction) を提示する。このワークフローは、以下の3つの連続したステージで構成される。

1. マルチソース構造サンプリング:

   • ジェネレーター: 本フレームワークは、4つの異なるソースを用いて独立に候補を生成する。
     • AlphaFold-Multimer、AlphaFold3、Bolz-1: 配列から構造を生成するエンドツーエンドのディープラーニングモデル。
     • コンフォメーション拡張ドッキング: モノマー・アンサンブルを拡張するための短時間の分子動力学シミュレーションと、インターフェース制約を用いた柔軟なHADDOCKドッキングを含むワークフロー。
   • 戦略: このアプローチは、単一のジェネレーターが見逃す可能性のある相補的なコンフォメーション空間を捉えることを目的としている。

2. FACETによるソース内再ランク付け:

   • FACETモデル: FACET (Fused Atomic-Contact Evaluation via Topology-informed Prediction) と呼ばれる統一品質評価モデルを用い、4つのソース内の各候補を再ランク付けする。
   • アーキテクチャ: FACETは、以下の要素を組み合わせた「構造第一（structure-first）」のアーキテクチャを利用する。
     • グローバルな $C\alpha$ 残基グラフのエンコーディング。
     • インターフェースのヘビーアトム（重原子）グラフのエンコーディング。
     • ESM-2 配列埋め込みの遅延融合（late fusion）。
   • 学習目的: このモデルは、1000万個以上の候補（6,000以上のPPIシステム由来）を含む大規模なデータセットを用いて、DockQメトリックの3つの成分、$F_{nat}$（ネイティブ接触の割合）、$S_i$（インターフェースRMSDスコア）、および $S_L$（リガンドRMSDスコア）を予測するように学習される。最終的なDockQスコアは、これら3つの成分の平均として再構成される。これにより、モデルは局所的に妥当なインターフェースと、正しいグローバルなアセンブリを区別することができる。

3. ソースバランス出力:

   • 各ソースからの候補はFACETによってランク付けされる。
   • 最終的な出力セットを形成するために、各ソースから規定のクォータ（割り当て量）が選択され、異なるサンプリング手法の相補性が最終的な予測プールにおいて保持されることが保証される。

主な貢献

• 統合フレームワーク: EnsPlexは、相補的なサンプリングと統一された品質評価モデルを結合し、現在のパイプラインにおける生成と選択の断絶に対処している。
• FACETモデル: グローバルな幾何学、インターフェースの接触、および配列情報を用いてDockQ成分を予測するように学習された、新しいソース非依存の品質評価ツール。これは、再ランク付けタスクにおいて、ソース固有のスコアリング関数や既存のデータ駆動型手法（例：DeepRank-GNN-ESM、GDockScore）を凌駕する。
• コンフォメーション拡張: コンフォメーション拡張ドッキング・ブランチ（モノマー拡張 + HADDOCK）の導入により、エンドツーエンドのディープラーニングモデル単独ではサンプリングされないコンフォメーション領域へのアクセスが可能になる。

結果

本フレームワークは、抗原抗体ターゲットの困難なサブセットである、精選された102個の抗原抗体ターゲットのテストセットを用いて評価された。

• ターゲット成功率: マッチした出力予算の下で、EnsPlexは組み込みのランキングを用いたAlphaFold3と比較して、ターゲット成功率（DockQ $\ge$ 0.23を持つ少なくとも1つのモデルが存在することと定義）において27.8%の相対的な改善を達成した。
• 相補的なカバレッジ: 慣性半径（$R_g$）および溶媒接触表面積（SASA）の分布解析により、4つのソースが異なるコンフォメーション領域をサンプリングしていることが明らかになった。特に、コンフォメーション拡張ドッキングは、AlphaFold3よりも広い$R_g$-SASA空間をカバーしていたが、そのネイティブ・スコアリング関数は、これらの許容可能なモデルを効果的に特定できなかった。
• 再ランク付け性能: FACETは、すべての4つの候補ソースにおいて、元のスコアリング関数と比較してTop-kターゲット成功率を一貫して向上させた。
  • コンフォメーション拡張ドッキングのプールにおいて、FACETはHADDOCKスコア、ファンデルワールスエネルギー、およびPRODIGY $\Delta G$を上回った。
  • AlphaFoldベースのプールにおいて、FACETは組み込みの信頼度指標（例：ipTM）を上回った。
• 汎用性: FACETは、ホモロジーフィルタリングされた外部データセット（AbSetブラインドドッキングおよび部位特異的サブセット）およびFoldBenchベンチマークにおいても性能を維持し、DeepRank-GNN-ESM、GDockScore、およびAlphaFold3自身のランキング指標を上回った。
• ケーススタディ: 代表的な例（例：PDB ID 7TXT, 8WTD）は、局所的には妥当だがグローバルには不正確なインターフェースのために元のスコアでは低くランク付けされていた、正しいグローバル・アセンブリをFACETが正常に特定したことを示した。

意義と主張

本論文は、サンプリングとスコアリングを独立したコンポーネントとしてではなく、結合されたコンポーネントとして扱うことの必要性から、EnsPlexの成功が得られたと主張している。著者らは次のように論じている：

1. 相補性は不可欠である: 単一のジェネレーターはすべてのターゲットに対して十分なカバレッジを提供できず、異種混合のジェネレーターを組み合わせることで探索空間が拡大する。
2. 統一されたスコアリングが重要である: 異なるツールからの生のスコアは比較可能ではない。多様なソースにわたって最良の候補を較正し選択するためには、FACETのような統一されたモデルが必要である。
3. 文脈（コンテキスト）が重要である: 正確な予測には、全体の複合体アセンブリの文脈の中で局所的なインターフェース接触を評価する必要があり、FACETは、正しいグローバルな向きと誤った向きを区別することで、この能力を実証している。

著者らは、相補的なサンプリングを効果的な候補選択と統合することが、どちらか一方のステップを単独で改善することよりも優れた結果をもたらすと結論付けている。また、現在の評価は抗原抗体システムとマッチした出力数に限定されており、固定された計算予算下での性能や他のPPIクラスへの適用可能性については、今後の課題として残されている。