Developing Accurate and Robust Prediction Model for Protein-Metal binding sites and Metal Types = 단백질-금속 결합 부위 및 금속 종류에 대한 머신 러닝 예측 모델 개발

국문 초록 (Abstract)

단백질에 대한 금속 이온의 결합은 다양한 생물학적 기능에 필수적이지만, 금속 결합 부위와 금속 종류를 예측하는 연구는 다른 생체분자 상호작용 예측에 비해 상대적으로 크게 탐구되지 않았다. 딥러닝의 발전에도 불구하고, 현재까지 보고된 계산 방법들은 이 영역에서 제한적인 성과만을 보였으며, 가장 우수한 방법조차 고해상도 결정 구조에서 중간 정도의 위치 예측 정확도에 머무르고, 중간 해상도의 구조에 적용하면 성능이 더 저하된다. 우리는 이러한 어려움의 근본 원인이 금속 결합의 특성에 있다고 가정한다. 잠재적인 결합 후보 부위는 단백질 표면 전체에 분포하지만, 실제 결합은 원자 수준의 배위 기하(coordination geometry)를 만족해야 하기 때문이다.
본 연구에서는 Prune-and-Optimization 전략을 활용한 구조 기반 금속 결합 부위 및 금속 종류 예측기 PrOMet 을 제안한다. PrOMet 은 위계적으로 연결된 두 개의 머신러닝 모델로 구성되어, 먼저 탐색 공간을 효과적으로 가지치기(prune)한 뒤 선택된 후보에 대해 최적화된 정밀 예측을 수행한다. 이 전략을 통해 AlphaFold 모델 구조 및 중간 해상도 cryo-EM 구조에 대해서도 견고한 성능을 유지하면서, 넓은 단백질 표면상의 탐색 공간을 효율적으로 축소할 수 있다.
PrOMet은 구조 기반 및 언어 모델 기반의 기존 방법들을 상회하는 성능을 보이며, 금속 이온 위치 예측에서 PR-AUC 0.739 를 달성하고, Zn, Ca, Mg, Mn, Fe, Cu 여섯 종류의 금속 이온에 대한 금속 종류 분류에서 평균 F1-score 0.743 을 기록하였다. PrOMet 은 단백질 구조에서 불확실한 금속 결합 위치와 금속 종류를 배정하는 데 유용할 뿐만 아니라, 금속 효소 설계 연구에도 효과적인 도구로 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

Metal binding to proteins is crucial for many biological functions, yet the prediction of metal-binding sites and metal types remains underexplored compared to other biomolecular interactions. Despite advances in deep learning, computational methods have achieved limited success in this area; even the best- reported approaches reach only moderate localization accuracy on high-resolution crystal structures, and even worse when applied to medium-resolution data. We hypothesize that the main challenge lies in the nature of metal binding: while the putative sites span the entire protein surface, actual binding requires the atomic- level coordination geometry. We present a structure-based metal binding site and type predictor, PrOMet, in this work, which leverages a Prune-and-Optimization strategy built upon two hierarchically connected machine learning architectures. This strategy allows the method to effectively narrow the search space while maintaining robustness to AlphaFold models and medium-resolution cryo-EM structures. PrOMet outperforms existing methods, including structure-based and language model-based predictors, achieving a PR-AUC of 0.739 for metal ion localization and an average F1-score of 0.743 for metal type classification—Zn, Ca, Mg, Mn, Fe, Cu, respectively. PrOMet can be an effective tool for allocating uncertain metal positions and types within protein structures, as well as for metalloenzyme design studies.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Study Background 1
• 1.2 Chemical characteristics of protein-metal binding 2
• 1.3 Experimental and computational approaches to defining metal-binding sites 3
• 1.4 Limitations of existing computational prediction methods 6
• 1.5 Structure-based deep learning and the approach of this study 8
• Chapter 2. Methods 9
• 2.1 Datasets 9
• 2.1.1 Determination of biological vs non-biological metal 9
• binding sites
• 2.1.2 Training, vaildation, and test sets 9
• 2.1.3 Alphafold3 model dataset 10
• 2.2 Model 10
• 2.2.1 Grid representation 10
• 2.2.2 Random Forest for the pruning stage10
• 2.2.3 EGNN for the optimization stage 13
• 2.2.4 Clustering and site-level annoation 17
• 2.3 Evaluation Metric 18
• 2.3.1 Precision, Recall, F1 score 18
• 2.3.2 PR-curve, PR-AUC 19
• Chapter 3. Results 43
• 3.1 Overview of the work 21
• 3.2 PrOMet accurately localizes metal-binding sites in experimentally determined protein structures 25
• 3.3 PrOMet reliably distinguishes between different types of bound metal ions 31
• 3.4 PrOMet maintains robust performance on low-resolution cryo-EM structures and AF3 structures 34
• 3.5 Benchmarking AlphaFold3 metal modeling highlights the need for metal-site prediction tools 39
• 3.6 Case Study on CASP15 targets 41
• Chapter 4. Discussions 43
• 4.1 Training Data curation improves robustness to structural errors 43
• 4.2 The benefits from the Prune-and-Optimization strategy and the importance of directional features 44
• Chapter 5. Concluding remark 46
• Bibliography 48
• Abstract in Korean 53