A Large-Scale Dataset and Benchmark: Do Protein-Ligand Models Learn Binding Sites or Just Binding Likelihood?

ملخص تقني: InteractBind – مجموعة بيانات ومعيار واسع النطاق لتحديد موقع ارتباط البروتين واللجين

بيان المشكلة
تعد نمذجة الارتباط بين البروتين واللجين (protein–ligand) أمراً مركزياً في اكتشاف الأدوية الحسابي، ومع ذلك، فإن المعايير المرجعية الحالية تقيم النماذج بشكل أساسك على التنبؤ بالارتباط الثنائي (هل يحدث التفاعل؟) أو انحدار ألفة الارتباط (ما مدى قوة التفاعل؟). تقيس هذه المهام ما إذا كان النموذج يتنبأ بـ حدوث أو قوة الارتباط، لكنها تقدم أدلة محدودة حول ما إذا كانت النماذج قادرة على تحديد مواقع الارتباط بدقة أو تحديد التفاعلات غير التساهمية الكامنة التي تقود التعرف الجزيئي. نادراً ما توفر مجموعات البيانات القائمة على التسلسل (sequence-based) الحالية تعليقات توضيحية للتفاعلات على مستوى الثمالات (residue-level) على نطاق واسع، مما يجعل من الصعب تحديد ما إذا كانت خرائط التفاعل المتعلمة تلتقط حقاً أنماط الاتصال الفيزيائية الكيميائية أم أنها تكتفي بالارتباط بالملصقات الثنائية للارتباط. وبناءً على ذلك، هناك نقص في التقييم المنهجي للقدرة الدقيقة للنماذج على تحديد مواقع الارتباط والتمييز بين أنواع مختلفة من التفاعلات غير التساهمية.

المنهجية
لمعالجة هذه الفجوة، قدم المؤلفون InteractBind، وهو مجموعة بيانات ومعيار واسع النطاق مشتق من المعقدات المحلولة تجريبياً في بنك بيانات البروتين (PDB).

• بناء مجموعة البيانات: تتكون مجموعة البيانات من حوالي 100,000 زوج من البروتين واللجين تغطي حوالي 11,000 بروتين فريد وحوالي 9,000 لجين فريد. لكل زوج، يقوم المؤلفون بإنشاء:

  • تمثيلات التسلسل: تسلسلات FASTA القياسية وتسلسلات واعية بالبنية (SA) للبروتينات؛ وSMILES وSELFIES للجينات.
  • تعليقات التفاعل التوضيحية: باستخدام أدوات مثل PLIP وGetContacts، يكتشف المؤلفون ستة أنواع رئيسية من التفاعلات غير التساهمية: الروابط الهيدروجينية، والجسور الملحية، وتراكم $\pi$–$\pi$، وتفاعلات الكاتيون-$\pi$، والاتصالات الكارهة للماء، وقوى فان دير فالس.
  • خرائط التفاعل: يتم إسقاط هذه التفاعلات على خرائط بمستوى التسلسل، مما يخلق مصفوفات $m \times n$ (ذرات اللجين $\times$ ثمالات البروتين) مع درجات تفاعل موزونة. وتحدد خريطة مجمعة موقع ارتباط البروتين (الثمالات المشاركة في تفاعل واحد على الأقل).
  • الملصقات (Labels): ملصقات الارتباط الثنائية (المشتقة من درجات الألفة القائمة على الإرساء/docking: $\le -7$ كيلو كالوري/مول كإيجابي، و $> -5$ كيلو كالوري/مول كسلبي) وقيم الألفة.

• تصميم المعيار المرجعي:

  • المهمة الأساسية: تحديد موقع موقع الارتباط (binding-site localization). مقياس التقييم الأساسي هو معدل إصابة ثمالات الارتباط عند أعلى K (BRHR@K)، والذي يقيس ما إذا كانت أفضل $K$ من ثمالات البروتين المتوقعة تتداخل مع ثمالات الارتباط الحقيقية.
  • التقسيمات: لضمان تقييم واقعي للتعميم، تتضمن مجموعة البيانات:
    • داخل التوزيع (ID): تقسيم مدرك للألفة باستخدام التحقق المتبادل خماسي الطيات (5-fold cross-validation).
    • خارج التوزيع (OOD): أربعة تقسيمات محكومة بتشابه البروتين (أقصى تشابه بين التدريب والاختبار هو 25%، 28%، 31%، 33%) لتقييم الأداء على أهداف بروتينية أقل ألفة.
  • النماذج المرجعية (Baselines): تم تقييم ثمانية نماذج ممثلة قائمة على التسلسل وواعية بالتفاعل (مثل MolTrans، وTransformerCPI، وDrugBAN، وFusionDTI).

المساهمات الرئيسية

1. مجموعة بيانات InteractBind: مورد جديد واسع النطاق لا يوفر فقط الملصقات الثنائية ودرجات الألفة، بل يوفر أيضاً تعليقات توضيحية لمواقع الارتباط على مستوى الثمالة وست خرائط مختلفة للتفاعلات غير التساهمية.
2. نموذج تقييم دقيق: صياغة تحديد موقع موقع الارتباط كمهمة أساسية، مدعومة بمقاييس BRHR وتحليل خاص بنوع التفاعل، متجاوزة النتائج على مستوى الزوج.
3. التقييم المنهجي: يكشف تقييم ثمانية نماذج من أحدث الحالات (state-of-the-art) أن النماذج الواعية بالتفاعل، رغم إظهارها لإشارات قابلة للقياس في تحديد موقع الارتباط، إلا أن هناك مجالاً كبيراً للتحسين، لا سيما في تحديد أنماط الاتصال الفيزيائية الكيميائية المحددة.

النتائج

• الأداء الثنائي مقابل أداء التحديد: يوجد تباين كبير بين التنبؤ بالارتباط الثنائي وتحديد موقع الارتباط. حقق أفضل نموذج أداءً، وهو FusionDTI، نسبة 98.3% AUROC للتنبؤ الثنائي ولكن 21.6% BRHR@1 فقط لتحديد موقع الارتباط. يشير هذا إلى أن التنبؤ الثنائي القوي لا يضمن تحديد الثمالات المحددة المشاركة في الارتباط بشكل موثوق.
• تباين نوع التفاعل: يختلف الأداء بشكل ملحوظ عبر أنواع التفاعلات غير التساهمية. تحدد النماذج الاتصالات الشائعة والواسعة مكانياً (فان دير فالس، الكارهة للماء، الروابط الهيدروجينية) بشكل أكثر فعالية (على سبيل المثال، وصل FusionDTI إلى 33% BRHR@5 لتفاعلات فان دير فالس) من الترتيبات الهندسية المحددة مثل تراكم $\pi$–$\pi$ (18.2%) وتفاعلات الكاتيون-$\pi$ (~16.1%).
• التعميم: تحت تقسيمات OOD المحكومة بتشابه البروتين، ينخفض الأداء لكل من التنبؤ بالارتباط الثنائي وتحديد موقع الارتباط مع انخفاض التشابه بين بروتينات التدريب والاختبار، مما يسلط الض الضوء على صعوبة تحديد مواقع الارتباط للأهداف البروتينية الجديدة. وكان لتشابه اللجين تأثير أقل مقارنة بذلك على الأداء.

الأهمية والادعاءات
يزعم البحث أن InteractBind يؤسس لنموذج معياري جديد يشجع على تطوير نماذج بروتين-لجين أكثر قابلية للتفسير وقائمة على أسس فيزيائية. يجادل المؤلفون بأن النماذج الحالية غالباً ما تعتمد على الارتباطات الخاصة بمجموعات البيانات للتنبؤ بحدوث الارتباط دون تعلم المحددات الميكانيكية للتعرف الجزيئي حقاً. ومن خلال توفير إشراف صريح على مستوى الثمالة وتعليقات توضيحية خاصة بنوع التفاعل، يتيح InteractBind تقييماً منهجياً لما إذا كانت النماذج تحدد مواقع الارتباط وتحدد التفاعلات غير التساهمية التي تثبتها. تشير النتائج إلى أنه بينما تلتقط بعض النماذج الواعية بالتفاعل بعض إشارات موقع الارتباط، إلا أنها ليست موثوقة بعد لتحديد المواقع الدقيق، خاصة لأنواع التفاعلات المحددة أو الأهداف البروتينية الجديدة. يضع المؤلفون هذا العمل كخطوة نحو تحويل التقييم من مقاييس النتائج فقط إلى التقييم الدقيق، وهو أمر بالغ الأهمية لتحسين موثوقية مسارات اكتشاف الأدوية الحسابية وتجنب الاستنتاجات البيولوجية المضللة.

القيود
يشير المؤلفون صراحةً إلى أن المعيار الحالي يركز على التقييم على مستوى التسلسل ولا يتضمن بعد معياراً على مستوى البنية. كما يقرون بأن توسيع التقييم ليشمل البنى ثلاثية الأبعاد (3D) يعد أمراً صعباً بسبب غموض الوضعية (pose ambiguity) والمرونة التشكيلية، والتي يمكن أن تؤدي إلى ضوضاء وتقلل من قابلية التفسير مقارنة بالتقييم القائم على مستوى الثمالة في التسلسل.