Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

Die Studie stellt Felis, ein Open-Source-Toolkit für hochdurchsatzfähige Berechnungen der absoluten Bindungsfreienergie, vor, das in Kombination mit dem Kraftfeld ByteFF auf großen Datensätzen eine Leistung erzielt, die mit etablierten relativen Methoden vergleichbar ist, ohne dabei auf maßgeschneiderte Kraftfeldanpassungen angewiesen zu sein.

Das Wesentliche

Das große Problem: Der Schlüsseltest im Labor

Stellen Sie sich vor, Sie sind ein Schlossbauer (ein Wissenschaftler), der versuchen muss, herauszufinden, welcher von tausenden Schlüsseln (Medikamenten) am besten in ein bestimmtes Schloss (ein krankheitsverursachendes Protein im Körper) passt.

Bisher gab es zwei Hauptmethoden, um das zu testen:

1. Der Vergleich (RBFE): Man nimmt zwei sehr ähnliche Schlüssel und vergleicht sie direkt miteinander. Das geht schnell und ist genau, aber es funktioniert nur, wenn die Schlüssel sich fast gleichen. Wenn man einen völlig neuen Schlüsselentwurf hat, der gar nicht wie die alten aussieht, hilft diese Methode nicht.
2. Der absolute Test (ABFE): Man nimmt einen einzelnen Schlüssel und testet ihn komplett allein gegen das Schloss. Das ist viel flexibler und kann jeden Schlüssel testen, aber es war bisher wie ein langsames, teures und fehleranfälliges Experiment im Labor. Es dauerte ewig und brauchte so viel Rechenleistung, dass man es kaum im großen Stil anwenden konnte.

Die Lösung: Felis – Der Roboter-Testlabor

Die Forscher von ByteDance haben nun ein neues Werkzeug namens Felis entwickelt. Man kann sich Felis wie einen hochmodernen, vollautomatischen Roboter vorstellen, der diesen „absoluten Test" für jeden Schlüssel durchführt.

Was macht Felis besonders?

• Es ist ein Allrounder: Felis kann jeden Schlüssel testen, egal wie fremd er aussieht.
• Es ist schnell und billig: Früher dauerte ein solcher Test ewig. Felis nutzt eine clevere Technik, bei der viele kleine Rechner (Grafikkarten) parallel arbeiten, ohne sich ständig abzustimmen. Das spart Zeit und Geld.
• Es braucht keine „Schulung": Das ist der wichtigste Punkt. Früher musste man für jeden neuen Proteintyp das Werkzeug neu kalibrieren (wie einen Messschieber neu justieren). Felis funktioniert sofort „out of the box" (Zero-Shot). Man gibt ihm den Schlüssel und das Schloss, und es liefert das Ergebnis, ohne dass man die Einstellungen manuell anpassen muss.

Der große Test: 43 Schlösser und 859 Schlüssel

Um zu beweisen, dass Felis wirklich gut ist, haben die Forscher einen riesigen Test durchgeführt. Sie haben Felis mit 43 verschiedenen Proteinen und 859 verschiedenen Medikamenten-Kandidaten gefüttert.

Das Ergebnis war überraschend:
Felis war fast genauso gut wie die besten, etablierten Methoden, die nur Schlüssel vergleichen dürfen. Dabei hat Felis deutlich weniger Rechenzeit verbraucht. Es ist also nicht nur flexibler, sondern auch effizienter.

Der „Hardcore"-Test: KRAS(G12D)

Um sicherzugehen, dass Felis auch unter extremen Bedingungen funktioniert, haben sie es gegen einen besonders schwierigen Gegner getestet: das KRAS-Protein.
Stellen Sie sich vor, dieses Schloss ist nicht nur kompliziert, sondern auch extrem elektrisch geladen (wie ein starker Magnet). Die Schlüssel, die man hier testen wollte, waren ebenfalls stark geladen. Normalerweise führt das zu Chaos in den Simulationen.

Felis hat diesen Test jedoch gemeistert! Es konnte die Bindung auch bei diesen stark geladenen, chaotischen Systemen vorhersagen. Das zeigt, dass das Werkzeug robust ist und auch für die schwierigsten Fälle in der Medizin geeignet ist.

Warum ist das wichtig?

Stellen Sie sich vor, Sie entwickeln ein neues Medikament. Früher musste man sich entscheiden: Entweder man testet nur sehr ähnliche Moleküle (schnell, aber eingeschränkt) oder man testet völlig neue Ideen (sehr langsam und teuer).

Mit Felis können Forscher nun viele verschiedene neue Ideen schnell und zuverlässig am Computer testen, bevor sie überhaupt ein Labor aufsuchen. Das beschleunigt die Entwicklung neuer Medikamente enorm.

Zusammenfassung in einem Satz

Die Forscher haben einen automatisierten, schnellen und universellen „Roboter" (Felis) gebaut, der testen kann, wie gut ein Medikament an ein Protein bindet – und das funktioniert so gut wie die alten, langsamen Methoden, aber für viel mehr verschiedene Fälle und ohne ständige manuelle Nachjustierung.

Technische Zusammenfassung

Titel: Entwicklung und groß angelegte Benchmarks eines Toolkits für die absolute Bindungsfreie Energie von Protein-Ligand-Komplexen

Autoren: Yu Liu, Ailun Wang, Yu Xia, Zhi Wang, Wen Yan (ByteDance Seed)

---

1. Problemstellung

Die genaue Vorhersage der Bindungsaffinität zwischen Proteinen und Liganden ist ein Kernstück des computergestützten Wirkstoffdesigns (CADD).

• Relative Bindungsfreie Energie (RBFE): Der aktuelle Industriestandard. RBFE berechnet die Differenz der Bindungsenergie zwischen zwei ähnlichen Liganden (kongenerische Reihe). Sie ist hochpräzise, erfordert jedoch eine gemeinsame chemische Grundstruktur (Scaffold) und ist bei „Scaffold-Hopping" (strukturell unterschiedliche Liganden) oft schwierig anzuwenden.
• Absolute Bindungsfreie Energie (ABFE): Bietet einen theoretisch strengen Ansatz, der jede Verbindung unabhängig bewertet und keine Scaffold-Ähnlichkeit voraussetzt. Dies macht sie ideal für das frühe „Hit-Discovery"-Phasen.
• Herausforderungen: Die breite Anwendung von ABFE wurde bisher durch hohe Rechenkosten, mangelnde Skalierbarkeit und das Fehlen umfassender Validierungen an großen Datensätzen gehemmt. Bestehende ABFE-Tools erfordern oft manuelle Eingriffe, Feinabstimmung von Kraftfeldern oder Alchemie-Plänen, was sie für hochdurchsatzfähige Pipelines ungeeignet macht. Zudem fehlen groß angelegte Benchmarks, die mit denen für RBFE vergleichbar sind.

2. Methodik: Das „Felis"-Toolkit

Die Autoren stellen Felis (Free Energy of Ligand-protein InteractionS) vor, ein Open-Source-, automatisiertes und skalierbares Toolkit für hochdurchsatzfähige ABFE-Berechnungen.

• Protokoll: Felis verwendet das Standard-Doppel-Decoupling-Verfahren (Annihilation). Der Ligand wird sowohl im Lösungsmittel als auch im Protein-Bindungstaschen alchemisch entkoppelt.
• Kraftfelder:
  • Proteine: AMBER ff14SB.
  • Liganden und Cofaktoren: ByteFF25, ein datengesteuertes Kraftfeld, das auf einem umfangreichen Quantenchemie-Datensatz trainiert wurde. Es behält die nichtbindenden Parameter (Ladungen, vdW) von GAFF2 bei, verbessert aber die gebundenen Parameter.
• Restriktionen: Es werden Boresch-ähnliche Restriktionen verwendet, um die Position des Liganden in der Bindungstasche zu stabilisieren. Die Auswahl der Ankeratome erfolgt automatisiert basierend auf Sekundärstrukturen (DSSP) und spezifischen Wechselwirkungen (ProLIF).
• Alchemie-Schedule: Ein standardisierter „Zero-Shot"-Ansatz. Es werden keine system-spezifischen Anpassungen der Kraftfeldparameter oder des $\lambda$-Schedules vorgenommen.
• Simulation & Parallelisierung:
  • Implementierung in OpenMM und openmmtools.
  • GPU-Strategie: Ein einzigartiges Design ohne Cross-GPU-Kommunikation. Der alchemische Pfad wird in überlappende Segmente unterteilt, die einzelnen GPUs zugewiesen werden. Dies eliminiert Synchronisationsengpässe und ermöglicht elastische Cloud-Ausführung.
  • Sampling: Typischerweise 3 ns oder 5 ns pro Ligand mit drei unabhängigen Repliken.
• Ladungsneutralität: Bei geladenen Liganden werden „alchemische Wassermoleküle" eingeführt, um die Ladungsänderung während der Transformation auszugleichen.

3. Wichtige Beiträge

1. Felis-Toolkit: Eine vollständig automatisierte Pipeline für ABFE, die manuelle Eingriffe minimiert und für die Hochdurchsatzverarbeitung optimiert ist.
2. Groß angelegter Benchmark: Evaluation an 43 Protein-Zielen mit 859 einzigartigen Liganden. Dies ist einer der größten ABFE-Benchmarks, der bisher veröffentlicht wurde und mit RBFE-Benchmarks (z. B. von Schrödinger FEP+) vergleichbar ist.
3. Zero-Shot-Validierung: Alle Ergebnisse wurden ohne Feinabstimmung der Kraftfelder oder Protokolle für die spezifischen Testsysteme generiert. Dies demonstriert die Robustheit und Übertragbarkeit des Ansatzes.
4. Vergleich mit RBFE: Erster Nachweis, dass ABFE in der Rangfolge (Ranking) mit dem State-of-the-Art bei RBFE (FEP+ mit OPLS4) konkurrieren kann, trotz kürzerer Simulationszeiten (3–5 ns vs. 20 ns).
5. Stresstest KRAS(G12D): Erfolgreiche Anwendung auf einen schwierigen Fall mit hochgeladenen Liganden und einem komplexen, flachen Bindungstaschen-System.

4. Ergebnisse

• Rangfolge (Ranking): Auf dem Datensatz von 43 Targets erreichte Felis-ABFE Spearman's $\rho$-Werte von ca. 0,6 und Kendall's $\tau$ von ca. 0,4. Dies liegt nahe an den Ergebnissen von FEP+ RBFE (20 ns), obwohl die ABFE-Simulationen deutlich kürzer waren.
• Genauigkeit: Die debiasierten MAE (Mean Absolute Error) und RMSE (Root Mean Square Error) von Felis waren vergleichbar mit denen von FEP+ RBFE.
• KRAS(G12D) Fallstudie:
  • Der Datensatz enthielt hochgeladene Liganden (z. B. MRTX1133, ein Dikation).
  • Konvergenztests zeigten, dass für stabile Ergebnisse längere Simulationen (ca. 8–10 ns) erforderlich sind.
  • Mit 10 ns × 3 Repliken erreichte Felis einen Spearman's $\rho$ von 0,76 und einen Kendall's $\tau$ von 0,64, was eine robuste Übereinstimmung mit experimentellen Daten zeigt.
• Einfluss der Ladung: Der Vergleich zwischen AM1-BCC und ABCG2 Ladungsmodellen zeigte keine statistisch signifikanten Unterschiede in der Ranking-Leistung.
• Ausnahmen: In einigen Fällen (z. B. hc_bace_2 mit sehr kleinem experimentellem Dynamikbereich oder scyt_dehyd mit kritischen Kristallwasser-Molekülen) zeigten sich Abweichungen, was auf die Grenzen der aktuellen Sampling-Methoden oder die Notwendigkeit von GCMC-Wassersampling hinweist.

5. Bedeutung und Ausblick

• Paradigmenwechsel: Die Studie beweist, dass ABFE nicht nur theoretisch machbar, sondern auch als produktionsreifes Werkzeug für das frühe Wirkstoffdesign einsetzbar ist. Sie entkoppelt die Notwendigkeit von kongenerischen Reihen und ermöglicht das Screening strukturell diverser chemischer Räume.
• Effizienz: Durch die Zero-Shot-Strategie und die optimierte GPU-Nutzung wird ABFE für Hochdurchsatz-Screenings wirtschaftlich attraktiver.
• Zukünftige Verbesserungen: Die Autoren identifizieren potenzielle Optimierungsbereiche:
  • Verbesserte Vorhersage von Bindungsposen (Integration von Co-Folding-Strategien).
  • Robustere Protonierungszustands-Zuweisung.
  • Weiterentwicklung der Kraftfelder (insbesondere nichtbindende Parameter und Polarisation).
  • Integration von beschleunigten Sampling-Methoden (z. B. Enhanced Sampling, MTS, HMR) zur weiteren Steigerung der Effizienz.

Fazit: Felis stellt einen bedeutenden Fortschritt dar, der die Lücke zwischen theoretischer Strenge und praktischer Anwendbarkeit in der ABFE-Berechnung schließt und die Methode für die industrielle Wirkstoffentwicklung zugänglich macht.