Accurate structure prediction of biomolecular interactions with AlphaFold 3

Motivation

• Known: AlphaFold 2는 단백질 구조 예측에서 혁명을 일으켰고, 간단한 입력 수정으로 단백질 상호작용 예측도 가능했음. 특정 상호작용 유형별로 다양한 특화된 예측 도구들이 개발됨.
• Gap: 기존 방법들은 특정 상호작용 유형에만 특화되어 있으며, 리간드, 핵산, 변형된 잔기 등을 포함한 일반적인 생체분자 복합체를 정확하게 예측하지 못함. 물리 기반 방법들이 여전히 더 나은 성능을 보임.
• Why: 생물학적 복합체의 정확한 모델링은 세포 기능 이해와 치료제 합리적 설계에 필수적임.
• Approach: AlphaFold 2 아키텍처를 대폭 개선하여, Evoformer를 간단한 Pairformer로 교체하고 Structure Module을 Diffusion Module로 대체하여 일반화된 생체분자 복합체 예측 가능하게 함.

Achievement

그림 1: AlphaFold 3는 다양한 생체분자 복합체에서 정확하게 구조를 예측함

1. 포괄적 성능 향상: 단백질-리간드 상호작용에서는 최고 수준의 도킹 도구를 능가하고, 단백질-핵산 상호작용에서는 핵산 특화 예측기를 초과하는 성능 달성
2. 통합 프레임워크: 단백질, 핵산, 소분자, 이온, 변형 잔기를 포함한 거의 모든 PDB 분자 유형을 단일 모델로 예측
3. 항체-항원 예측: AlphaFold-Multimer v2.3보다 유의미하게 높은 정확도로 항체-항원 상호작용 예측
4. 구조적 신뢰도 개선: 원자 수준(atom-level)과 쌍 수준(pairwise)의 오류를 예측하는 신뢰도 지표 개발 (pLDDT, PAE, PDE)

How

그림 2: Diffusion Module을 통한 원자 좌표 직접 예측

• MSA 처리 축소: Evoformer의 4개 블록으로 축소하고 pair-weighted averaging 사용으로 계산 효율성 증대
• Pairformer 도입: 쌍 표현(pair representation)과 단일 표현(single representation)만 처리하여 MSA 표현 제거
• Diffusion Module: 백본 프레임이나 side chain torsion 각도 대신 원자 좌표를 직접 예측
  • Noised 원자 좌표로부터 실제 좌표 예측하도록 학습
  • 저 노이즈에서 국부 입체화학 학습, 고 노이즈에서 전역 구조 학습
  • Stereochemical violation penalty 제거 가능
• Cross-distillation: AlphaFold-Multimer v2.3 예측 구조로 학습 데이터 강화하여 hallucination(구조화되지 않은 영역의 허위 구조 생성) 감소
• Confidence head 학습: 확산 "rollout" 절차로 전체 구조 생성 시뮬레이션 후 신뢰도 메트릭 계산
• 선택적 샘플링: 제한된 학습 샘플의 과적합을 방지하기 위해 훈련 세트별 샘플링 확률 조정

Originality

• 생체분자 구조 예측에 확산 모델의 생성적 접근을 적용하여 임의의 화학 구조 자동 처리
• Cross-distillation 방법으로 생성 모델의 hallucination 문제를 통합 학습을 통해 해결하는 혁신적 접근
• 회전 불변성(rotational invariance)과 등변성(equivariance) 제거로 아키텍처 단순화 달성
• 원자 수준 좌표 직접 예측으로 단백질-특화 parametrization 제거하고 일반 리간드 처리 용이
• Diffusion rollout을 통한 새로운 신뢰도 학습 방법 제시

Limitation & Further Study

• Hallucination 관리: Cross-distillation이 hallucination을 감소시켰으나, CAID 2 벤치마크에서 여전히 개선의 여지 있음
• 계산 비용: 논문에서 추론 시간, 메모리 요구사항 등 계산 복잡성에 대한 구체적 분석 부재
• 제한된 평가 범위: 15,000자 범위 내에서는 모든 복합체 유형에 대한 벤치마크 결과가 완전히 제시되지 않음
• 동역학 정보 부재: 정적 구조 예측에 집중되어 있으며 단백질-리간드 상호작용의 동역학적 특성 미반영
• 후속 연구 방향:
  • 확산 모델의 불확실성 정량화를 통한 구조 다양성 샘플링
  • 단백질 동역학 및 유연성 예측으로 확장
  • 막 단백질과 같은 어려운 케이스에 대한 특화된 개선

Evaluation

총평: AlphaFold 3는 확산 기반 생성 모델을 생체분자 구조 예측에 혁신적으로 적용하여, 단백질부터 리간드, 핵산까지 모든 유형의 복합체를 통합 프레임워크로 정확하게 예측함으로써 구조생물학과 약물 설계 분야에 패러다임 전환을 가져오는 매우 중요한 기여이다.