KDD2023 | Accelerating Antimicrobial Peptide Discovery with Latent Sequence-Structure Model

论文标题：Accelerating Antimicrobial Peptide Discovery with Latent Sequence-Structure Model

论文地址：https://dl.acm.org/doi/10.1145/3580305.3599249

代码：

GitHub - dqwang122/LSSAMP: Code for paper 'Accelerating Antimicrobial Peptide Discovery with Latent Sequence-Structure Model'

一、问题提出

典型的抗菌药物发现过程通常包括四个步骤：

基于现有AMP数据库构建候选库Candidate Library（应用人工启发式方法或深度生成模型来创建）

建立几个基于序列的过滤器来筛选候选肽不同的化学特征，包括计算指标以及理想属性。

将使用肽结构预测因子(如PEPFold 3)对这些序列的结构进行建模，并进行分子动力学模拟。

序列将在潮湿的实验室中合成和测试

近年来，深度生成模型使用序列属性来控制生成，直接生成具有理想属性的肽。然而，这些研究只考虑序列特征，而忽略了构效关系。生成的序列仍然需要输入到结构预测器中并手动检查，这减慢了发现过程。此外，该结构在确定生物属性方面也起着重要作用，从而促进了属性控制。

传统的AMP发现方法可分为三种方法: (i)模式识别算法。首先从现有AMP中构建抗菌序列模式数据库。每次选择模板肽用这些模式代替局部片段。(ii)遗传算法。使用AMP数据库设计一些抗菌活性功能，并利用这些功能优化祖先序列。(iii)分子建模和分子动力学方法。建立肽的3D模型，并通过肽与细菌膜之间的相互作用评估其抗菌活性

二、Method

Notations：肽是由氨基酸组成的短蛋白质，x = {x1; x2; · · · ; xL}，位于第i位的氨基酸xi属于20种常见类型之一，也称为残基。二级结构描述肽的三维结构的局部形式。因此，肽结构表示为y= {y1;y2;···;yL}，其中yi为第i位的二级结构标号，属于8种类型之一

深度生成模型通过将基于序列的过滤器与生成过程结合起来，直接创建具有用户指定属性的序列作为候选库，在加速AMP发现方面显示出了希望。然而，以往的研究只关注学习序列特征。

1、Antimicrobial Peptide Discovery

深度生成模型通过将基于序列的过滤器与生成过程结合起来，直接创建具有用户指定属性的序列作为候选库。然而，以往的研究只关注学习序列特征。在生成序列后，还需要通过外部工具对结构进行检查和过滤，使得生成过程效率低下。

使用对AMP机制至关重要的三个序列属性(电荷、疏水性、疏水力矩)来评估生成性能。通过限制α -螺旋结构，大多数结果都得到改进。结果表明，通过控制结构可以改善序列性能。因此，将结构信息纳入生成模型中，不仅可以将湿实验室前的所有步骤结合起来，加快发现速度，可以改善序列性质，提高生成过程效率。

2、VAE-based Generative Models

基于vae的多肽生成模型首先在无监督的肽或蛋白质序列上进行训练，然后在带有特定属性标签的特定序列上进行训练。

在潜在空间上增加一个8分类任务，以纳入二级结构信息。zq (xi)被送入一个单独的分类器进行结构预测，Ls与Lr类似，只是替换一部分损失：

3、Multi-scale VQ-VAE

结构基序通常比序列模式长。例如，一个有效的α-螺旋至少包含4个残基，并且可能长于12个。具有特定生物学功能的序列模式要短得多，通常在1到8个残基之间。为捕获这些特征并将它们映射到相同的潜在空间，首先应用N个多尺度模式选择器Fn。然后，建立多个码本，查找嵌入zqn (xi)的最近的codebook，在序列重建和二级结构预测之间共享码本，以捕获残基与其结构之间的共同特征和关系。将串联的多尺度码本嵌入馈送到序列生成器：

基于方程4，多尺度VQ-VAE重构训练目标可以改编为多个码本上的损失之和：

Training：

使用指数移动平均线(EMA)来更新码本中的embedding。保持一个count向量Ck，测量通过Eqn 3选择embedding向量ek作为ze(xi)的最近邻居的次数。Ck更新过程：

embedding ek更新过程：

Prior Model

先验分布是一个分类分布，可以通过额外的先验模型实现自回归。为对z1:L之间的依赖关系进行建模，在code embedding上训练基于transformer的语言模型。从先前的模型中为每个码本n采样多个索引序列，然后查找codebook以得到embedding zqn。最后，将zqn输入到生成器和分类器中，生成具有二级结构的序列。还尝试通过现有的AMP结构模式来控制二次结构，以进一步提高生成质量。

三、Experiment

1、Experiment Setup

Dataset：下载蛋白质序列(550k)，长度限制为100 (57k)，Dr。然后使用AlphaFold社区版（ProSPr）预测二级结构。在过滤一些低质量的样本后，获得包含46k个样本的Ds，包括序列和二级结构信息。抗菌肽数据集，从抗菌肽数据库下载，筛选去重得到3222 AMPs，Damp

Dr、Ds随机抽取3000验证，3000测试。Damp，验证和测试的大小都是100

创建一组不含抗菌活性的负样本来比较。从Uniprot中去除具有抗菌活性的肽序列，以及长度< 10或> 40的序列，从而得到2021个非amp序列。

Implementation details ：

encoder 、decoder基于2-layer Transformer，dim_model=128，head=8，dFFN=512，dropout=0.1，

classifier，使用CNN block，具有32个输入通道，膨胀尺度为[1;2;4;8;10]。 多尺度码本，将CNN作为F (n)提取特征。设n = 4，内核宽度范围为[1;2;4;8]。特征将被填充到与输入序列相同的长度。然后，使用K = 8和d = 128的4个码本。重构和预测具有相同的码本，即Nr = Ns = 4。提交系数设置为β = 0:05

Evaluation Metric：Uniqueness, Diversity, Similarity

唯一性是指在生成阶段中唯一肽的百分比。

多样性衡量的是所生成肽之间的相似性。计算每两个序列之间的Levenshtein距离，并通过序列长度对其进行归一化。然后对归一化距离求平均值，得到其多样性的均值。多样性越高，生成的多肽的差异性越大。

新颖性是生成肽和训练AMP之间的差异。对于每个生成的序列，在训练集中搜索与其Levenshtein距离最小的肽，并根据其长度对距离进行归一化。

2、Experimental Results

为每个baseline生成5000个序列

AMP Prediction：生成序列被预测为AMP的百分比。LSSAMP在7个分类器中的4个中表现最好，并且在所有分类器中具有最高的平均得分，表明其优于基线。peppcvae在AMPMIC和IAMPE预测器上表现最好，然而，它在其他预测器上表现不佳，平均得分较低。

Novelty：

Wet Laboratory Experiment：

选择了21种多肽，并测试了它们对三组革兰氏阴性菌(鲍曼氏杆菌、铜绿糖杆菌和大肠杆菌)的抗菌活性，耗时约30天。我们使用最小抑制浓度(MIC)来评估活性。LSSAMP可以有效地找到候选AMP，降低了时间成本。

Ablation Study：

Loss是验证集上的模型损失。AA Acc是一级的重构精度和SS Acc是二级结构的预测精度。第二阶段在大规模二级结构数据集Ds上训练模型将影响目标AMP数据集上的预测性能。如果删除多个子码本并使用相同大小的单个大码本，则性能会下降。

3、Analysis

Codebook Number ：不同数量的码本对生成性能的影响。从表6中，发现一个小的码本很难学习到足够的信息来重建序列。PPL, Loss和SS Acc随着密码本条目的增加而变得更好。当码本数为3时，重构精度达到最佳。这可能是由于序列的局部模式相对较短，window size=8太长：

Case Study ：

在表7中展示了LSSAMP产生的10个肽，进一步利用PEPFold对生成的4个序列建立三维模型，并利用PyMOL绘制：

所有这些肽都有几个螺旋结构，这使它们更有可能具有抗菌能力。同时，虽然模型预测了ID = 2和ID = 3的长连续螺旋结构，但实际上在两个螺旋结构之间有一个小的线圈结构。这表明模型倾向于预测一个长连续的二级结构，而不是几个不连续的小碎片。

四、Conclusion

使用多尺度VQVAE对每个位置进行细粒度控制的LSSAMP。它将序列特征和结构特征映射到同一潜在空间中，通过对重叠分布进行采样，生成具有理想序列属性和二级结构的多肽。LSSAMP在AMP预测因子上表现良好，并设计了两种抗革兰氏阴性菌活性较高的肽。

1、Appendix

有几个物理性质对肽的抗菌活性至关重要。例如，带正电荷的氨基酸更容易与细菌膜结合，因为大多数细菌表面是阴离子，而那些具有高疏水性的氨基酸倾向于从溶液环境移动到细菌膜上。

Charge：肽序列S的总电荷定义为其所有残基C(xi)在pH 7.4时的电荷之和，即

Hydrophobicity：疏水性反映了在细菌膜上结合脂质的倾向。具有高疏水性的肽很容易从溶液环境移动到细菌膜上。

Amphipathicity / Hydrophobic Momentum：

amphipathicity(同时具有极性部分和非极性部分的分子) 同时结合水和脂质的能力，这是抗菌肽的明确特征。可以用疏水动量uH(S;θ)定义。疏水动量由每个残基xi的疏水性H(xi)以及残基之间的夹角θ决定:

该角度可由二级结构估算。α-螺旋结构θ为100◦，β-薄片结构θ为180◦。

2、Attribute Distribution

对于电荷，遵循专家总结的规则，选择净电荷为+2到+10的序列。如果APD的比例大于诱饵中的比例，我们将bin添加到评估度量的接受范围中。最后的范围是C2[2；10]、H2[0:25；1]和uH2[0:5；0:75][1:75；1]。

3、Secondary Structure Filter

AMP的生物学功能由其氨基酸序列和折叠结构决定。如果肽不能折叠成合适的结构，仍然很难发挥作用。例如，通过形成螺旋结构，肽可以在一侧聚集疏水性氨基酸和亲水性氨基酸。这种两亲性结构有助于肽插入膜中，并与膜中的其他分子保持稳定的孔：

蓝色表示疏水性氨基酸，红色表示亲水性氨基酸。在左边，尽管具有合理氨基酸的肽已经附着在细菌膜上，但它们仍然无法插入其中。然而，通过折叠成螺旋结构，如右边所示，肽保持了一个稳定的孔，该孔破坏了细菌的膜。
但控制二级结构是否也会影响序列属性？将生成的肽的二级结构控制为α-螺旋作为基线。性能差距：

通过将序列限制在α-螺旋结构中，大多数结果都得到了改进。结果表明，通过控制结构，可以提高序列属性，验证了在受控生成过程中引入二级结构的重要性。然而，序列大小已经显著减小，这表明这种先生成后过滤的管道效率低下。

4、Results of Sequence Attributes

使用上述三个序列属性来评估生成性能。

Structure Condition

控制二级结构可以影响生成的肽的属性。因此，限制具有不同比例的coil结构的百分比：

随着螺旋结构数量的减少，阳性肽的百分比不断增加。然而，对于疏水性和疏水力矩，百分比在0.3之后下降。因此，在主要实验中，将螺旋结构的长度限制在30%。

Visualization of Residue Distribution

为了说明生成的肽中残基的分布，绘制了tSNE图。变换向量，每个维度代表某个残基代表肽的概率。然后使用tSNE将高维向量转换为2D并将其可视化。发现LSSAMP w/o条件和APD之间有很大的重叠，这表明模型已经捕捉到了APD的全局分布：

Visualization of LSSAMP Distribution

绘制了APD、Decoy和我们的模型的残基、电荷、序列长度、疏水性和疏水动量的分布。在没有条件的情况下，LSSAMP的分布与APD相似，这表明LSSAMP成功地学习了AMP的序列分布。