DCFold: Efficient Protein Structure Generation with Single Forward Pass

ملخص تقني: DCFold – توليد بنية البروتين بكفاءة عبر تمريرة أمامية واحدة

بيان المشكلة
بينما أرست AlphaFold3 (AF3) معياراً جديداً للأداء العالي في التنبؤ ببنية البروتين وتوليد المعقدات الجزيئية الحيوية باستخدام بنية تعتمد على الانتشار (diffusion) لجميع الذرات، إلا أن نشرها العملي يعوقه التكاليف الحسابية العالية. تعتمد AF3 على عملية إعادة تدوير (recycling) متكررة لنموذج Pairformer وعينات متعددة الخطوات من الانتشار، مما يؤدي إلى أوقات استدلال تُقاس بالدقائق للتسلسلات الطويلة. هذا التأخير يحد من فائدتها في التطبيقات عالية الإنتاجية مثل الفحص الافتراضي وتصميم البروتينات (مثل تخليق الروابط/binder hallucination). المحاولات الحالية للتخفيف من ذلك، مثل تقليل دورات إعادة التدوير يدوياً، تضحي بالدقة مقابل الكفاءة. علاوة على ذلك، تواجه نماذج الاتساق القياسية (Consistency Models - CMs)، التي تهدف إلى تسريع الانتشار عن طريق تقليل خطوات أخذ العينات، تحديات كبيرة عند تطبيقها على بنى البروتينات: (1) فهي تفترض بيانات ذات أبعاد ثابتة وتستخدم المسافة الإقليدية لربط الخطوات الزمنية، مما يفشل في استيعاب تسلسلات البروتين متغيرة الطول ويؤدي إلى عدم استقرار التدريب؛ و(2) أنها لا تعالج العبء المتكرر لوحدة Pairformer.

المنهجية
يقترح المؤلفون DCFold، وهو نموذج توليدي ذو خطوة واحدة يحقق دقة بمستوى AlphaFold3 من خلال إطار عمل تدريب الاتساق المزدوج (Dual Consistency). يعالج هذا الإطار العقبتين الرئيسيتين لـ AF3: عملية الانتشار وإعادة تدوير Pairformer.

1. إطار الاتساق المزدوج:

   • اتساق الانتشار (Diffusion Consistency): يفرض النموذج اتساقاً بين مخرجات الخطوة الواحدة ومسار الخطوات المتعددة لوحدة الانتشار. يتم تثبيت أخذ العينات أحادي الخطوة عن طريق تعطيل حقن الضوضاء العشوائية وتطبيع أحجام الخطوات. تهدف دالة الهدف في التدريب إلى تقليل متوسط مربع الخطأ (MSE) بين تنبؤ النموذج عند الخطوة الزمنية $t$ والخطوة المرجعية $r$.
   • اتساق Pairformer (Pairformer Consistency): للقضاء على العبء المتكرر لـ Pairformer، قدم المؤلفون خسارة اتساق الدورة (cycle consistency loss). بما أن Pairformer يحدث التمثيلات الداخلية بشكل متكرر، فإن التمريرة الأمامية الواحدة تحتوي بطبيعتها على تمثيلات تقابل أعماق دورات مختلفة. يتم تدريب النموذج لتقليل متوسط مربع الخطأ بين التمثيلات في الدورات المتجاورة ($z_i$ مقابل $z_{i+1}$)، مما يؤدي فعلياً إلى تقطير (distilling) صقل الدورات المتعددة في تمريرة أمامية واحدة.

2. مطابقة الجيوديسيا الزمنية (Temporal Geodesic Matching - TGM):
   لحل مشكلة عدم الاستقرار عند تطبيق نماذج الاتساق على تسلسلات البروتين متغيرة الطول، قدم المؤلفون TGM. بخلاف المجدولات التقليدية التي تربط الخطوات الزمنية بناءً على فترات إقليدية ثابتة، تقوم TGM بربط الخطوات الزمنية بناءً على المسافة الجيوديسية على المنوع المعلوماتي الزمني (temporal information manifold).

   • يعرّف الأسلوب مقياساً زمنياً باستخدام معلومات فيشر (Fisher Information) ($I(t)$)، والتي تقيس معدل التغير في التوزيع على طول مسار الانتشار.
   • يتم حساب المسافة الجيوديسية $d_g(t, r)$ كتكامل لـ $\sqrt{I(\tau)}$.
   • تضمن TGM أن أزواج التدريب $(t, r)$ تحافظ على مسافة جيوديسية ثابتة بالنسبة لتقدم التدريب. هذا يكيف المنهج التعليمي مع أبعاد البيانات (طول التسلسل)، مما يمنع "التفاوت المعلوماتي" الذي يسبب انهيار التدريب في التسلسلات الطويلة.

المساهمات الرئيسية

• بنية DCFold: متنبئ ذو خطوة واحدة يلغي العبء المتكرر لكل من عينة الانتشار وإعادة تدوير Pairformer، مما يتيح سرعات استدلال تقارب AlphaFold2 مع الحفاظ على دقة AlphaFold3.
• تدريب الاتساق المزدوج: إطار عمل مبتكر يفرض الاتساق بشكل مشترك عبر وحدة الانتشار وPairformer، مما يسمح باستدلال موحد عبر تمريرة أمامية واحدة.
• مطابقة الجيوديسيا الزمنية (TGM): آلية جدولة مبدئية لتقطير الاتساق في البيانات متغيرة الطول. من خلال استخدام معلومات فيشر لتعريف مقياس ريمان (Riemannian metric) على المنوع الزمني، تعمل TGM على تثبيت ديناميكيات التدريب ومنع انهيار الأوزان في مهام نمذجة البروتين عالية الأبعاد ومتغيرة الطول.
• القابلية للتطبيق في المهام اللاحقة: تتيح الطريقة استدلالاً كاملاً قابل للاشتقاق (fully differentiable) في خطوة واحدة، مما يجعلها مناسبة لمهام التحسين القائم على التدرج مثل تخليق الروابط (binder hallucination)، والتي كانت صعبة سابقاً مع النماذج التكرارية متعددة الخطوات.

النتائج التجريبية
قيم المؤلفون DCFold في اختبارات التنبؤ بالبنية وتصميم الروابط:

• التنبؤ بالبنية (Posebusters V2 & Recent PDB): تحقق DCFold دقة تضاهي نموذج AlphaFold3 الكامل. في اختبار Posebusters V2، وصلت إلى معدل نجاح لـ RMSD < 2 Å بنسبة 78.6% (أفضل حالة) و71.43% (أسوأ حالة)، وهو ما يطابق أداء AlphaFold3 عن كثب مع كونها أسرع بـ 15 مرة (انخفض متوسط وقت الاستدلال من 133.3 ثانية إلى 8.9 ثانية).
• جودة التوزيع: تعيد DCFold تشكيل توزيع المخرجات، مما يحسن بشكل كبير من حالات RMSD في أسوأ السيناريوهات ومعدلات النجاح مقارنة بأساس AF3 ODE (خطوة واحدة، بدون تقطير)، مما يشير إلى تنبؤات أكثر موثوقية واستقراراً.
• تصميم الروابط (Binder Design): في مهام تخليق الروابط (باستخدام أهداف مثل IL2-Rα، TrkA، H3)، تتفوق DCFold على خط الأساس BindCraft القائم على AF2 في معدلات النجاح داخل الحاسوب (in silico). على سبيل المثال، في هدف H3، حققت DCFold معدل نجاح بنسبة 23% تحت قيود الفيزياء مقارنة بـ 16% لـ BindCraft.
• دراسات الاستئصال (Ablation Studies): تؤكد التجارب أن كلاً من اتساق الانتشار واتساق Pairformer يساهمان في الأداء. وقد ثبت أن TGM متفوقة على غيرها من أسس الاتساق (CD, sCM, ECM) في مهام البروتين، حيث فشل ECM في التدريب بفعالية على التسلسلات الطويلة بسبب تباين التدرج.

الأهمية والادعاءات
يزعم البحث أن DCFold تنجح في سد الفجوة بين كفاءة AlphaFold2 ودقة AlphaFold3. من خلال ضغط البنية التكرارية في تمريرة أمامية واحدة دون التضحية بدقة التنبؤ، تتيح DCFold تصميم وفحص البروتينات عالي الإنتاجية والقابل للتوسع. يوفر إدخال TGM حلاً قابلاً للتعميم لتطبيق نماذج الاتساق على البيانات التسلسلية متغيرة الطول، مما يعالج قصوراً جوهرياً في طرق تسريع الاتساق السابقة. يضع المؤلفون DCFold كنموذج تأسيسي قادر على دعم تطبيقات متنوعة لاحقة، بما في ذلك الفحص الافتراضي وتصميم البروتينات القابل للاشتقاق، والتي كانت محدودة سابقاً بسبب العبء الحسابي لنماذج الانتشار التكرارية.