Learning Universal Representations of Intermolecular Interactions with ATOMICA

Das Paper stellt ATOMICA vor, ein geometrisches Deep-Learning-Modell, das universelle, mehrskalige Repräsentationen von intermolekularen Schnittstellen über fünf verschiedene Modalitäten hinweg lernt und damit neue Möglichkeiten für die Vorhersage von Ligandenbindungen, insbesondere in unbekannten Proteinen, eröffnet.

Das Wesentliche

Das große Puzzle der molekularen Welt

Stellen Sie sich vor, das Leben ist ein riesiges, komplexes Puzzle. Jedes Teil dieses Puzzles ist ein Molekül: Proteine (die Arbeiter im Körper), kleine Medikamente, DNA (der Bauplan), Fette oder Metallionen. Damit das Leben funktioniert, müssen diese Teile zusammenpassen und miteinander interagieren – wie Schlüssel, die in Schlösser passen, oder wie Puzzleteile, die sich genau ineinander fügen.

Bisher haben Wissenschaftler oft nur einzelne Teile dieses Puzzles untersucht. Sie haben gelernt, wie ein Protein allein aussieht oder wie ein Medikament allein funktioniert. Aber das ist wie ein Koch, der nur weiß, wie man Eier brät oder wie man Brot backt, aber nicht versteht, wie ein komplettes Omelett mit Toast schmeckt, wenn man beides zusammenbringt.

Die neue Erfindung: ATOMICA

Die Forscher haben nun ATOMICA entwickelt. Man kann sich ATOMICA wie einen super-intelligenten Übersetzer und Detektiv vorstellen, der nicht nur die einzelnen Wörter (Moleküle) kennt, sondern die ganzen Sätze und Gespräche (die Interaktionen) versteht.

Hier ist, was ATOMICA besonders macht:

1. Der universelle Dolmetscher:
   Früher brauchte man für jedes Gespräch eine andere Übersetzung. Für Protein-Protein-Gespräche einen Dolmetscher, für Protein-DNA-Gespräche einen anderen. ATOMICA ist wie ein All-in-One-Dolmetscher, der alle Sprachen gleichzeitig spricht. Er lernt, wie Proteine mit Medikamenten, mit DNA, mit Fetten oder sogar mit Metallionen sprechen. Er versteht die "Grammatik" der chemischen Bindungen, egal wer die Gesprächspartner sind.

2. Der Lernprozess (Das Training):
   ATOMICA wurde mit einem riesigen Datensatz trainiert – mit fast 2 Millionen Beispielen von Molekülen, die sich bereits berührt haben. Man kann sich das vorstellen wie einen Schüler, der nicht nur ein Lehrbuch liest, sondern Millionen von echten Gesprächen zwischen verschiedenen Leuten mitgehört hat.

   • Die Übung: Der Lehrer (der Computer) verdreht die Moleküle ein wenig oder versteckt Teile davon und fragt: "Wie passt das jetzt zusammen?" oder "Welches Teil fehlt hier?". So lernt ATOMICA, die räumliche Form und die chemische Chemie im Detail zu verstehen.

3. Die "Landkarte" des Wissens:
   ATOMICA erstellt eine Art mentale Landkarte. Auf dieser Karte sind Moleküle, die sich ähnlich verhalten oder ähnlich aussehen, nah beieinander.

   • Die Analogie: Stellen Sie sich eine Bibliothek vor. Früher mussten Sie für jedes Fachgebiet (Chemie, Biologie, Physik) eine eigene Bibliothek aufsuchen. ATOMICA ist eine Bibliothek, in der alle Bücher nach ihrem Inhalt und ihrer Funktion gemischt sind. Ein Buch über ein Medikament, das an ein Protein bindet, liegt direkt neben einem Buch über ein natürliches Protein-Paar, weil sie sich im Inneren sehr ähnlich verhalten.

Was kann ATOMICA wirklich?

Die Forscher haben ATOMICA an verschiedenen Aufgaben getestet, und es war oft besser als alles, was es vorher gab:

• Die RNA-Überraschung: RNA ist wie ein kompliziertes Origami aus DNA. ATOMICA konnte vorhersagen, wo Proteine an RNA binden, besser als spezialisierte Modelle, die nur für RNA gemacht wurden. Es hat quasi "gelernt", wie man Origami liest, indem es auch andere Falttechniken studiert hat.
• Das dunkle Universum (Dark Proteome): Es gibt viele Proteine im Körper, von denen wir nicht wissen, was sie tun. Man nennt sie das "dunkle Proteom" – wie Sterne am Himmel, die wir noch nicht gesehen haben. ATOMICA hat für fast 2.700 dieser unbekannten Proteine erraten, welche kleinen Moleküle oder Metalle sie binden könnten.
• Der Experimenteller Beweis: Um sicherzugehen, haben die Forscher fünf dieser Vorhersagen im Labor getestet. Sie haben die Proteine hergestellt und geprüft, ob sie tatsächlich an ein bestimmtes Molekül (Häm, das den roten Blutfarbstoff trägt) binden. Fünf von fünf Vorhersagen waren richtig! Das ist wie wenn ein Wettervorhersage-Modell fünf Tage lang Regen vorhersagt und es tatsächlich fünf Tage lang regnet.

Warum ist das wichtig?

Stellen Sie sich vor, Sie suchen nach einem neuen Medikament gegen eine Krankheit. Früher mussten Sie raten, welches Medikament zu welchem Ziel passt. Mit ATOMICA können Sie nun die Form und das Gefühl des Ziels (z. B. eines unbekannten Proteins) analysieren und sofort sagen: "Aha! Dieses Medikament passt hier perfekt hinein, weil es die gleiche Form hat wie etwas anderes, das wir schon kennen."

Zusammenfassend:
ATOMICA ist wie ein großer, gemeinsamer Gedächtnisspeicher für die chemische Welt. Er hat gelernt, dass die Art und Weise, wie zwei Dinge zusammenpassen, universelle Regeln folgt. Egal ob es sich um ein Medikament und ein Protein oder um zwei Proteine handelt – die "Sprache" der Bindung ist die gleiche. Dies eröffnet völlig neue Wege, um Krankheiten zu verstehen und neue Medikamente zu entwickeln, besonders für Bereiche, die bisher im Dunkeln lagen.

Technische Zusammenfassung

1. Problemstellung

Molekulare Wechselwirkungen sind die Grundlage fast aller biologischer und chemischer Prozesse. Bisherige Ansätze im Bereich des Representation Learning (Repräsentationslernen) leiden jedoch unter erheblichen Einschränkungen:

• Einzel-Entitäten-Fokus: Viele Modelle (z. B. Protein-Sprachmodelle oder kleine Molekül-Encoder) lernen Repräsentationen nur für einzelne Moleküle und ignorieren das Paarungsverhalten oder die Schnittstellen.
• Spezifische Modalitäten: Bestehende Interaktionsmodelle sind oft auf spezifische Paare beschränkt (z. B. nur Protein-Protein oder nur Protein-Ligand). Eine Erweiterung auf neue Modalitäten erfordert meist neue Encoder, neue Datensätze oder eine Neudefinition der Repräsentation.
• Mangelnde Generalisierbarkeit: Es fehlt an einem einheitlichen Modell, das die physikochemischen und geometrischen Merkmale von Schnittstellen über verschiedene Molekülklassen hinweg (Proteine, kleine Moleküle, Ionen, Lipide, Nukleinsäuren) generalisieren kann.

Das Ziel ist es, ein universelles Modell zu schaffen, das die Geometrie und Chemie von intermolekularen Schnittstellen lernt, um Wissen zwischen verschiedenen Interaktionstypen zu übertragen.

2. Methodik: ATOMICA

ATOMICA ist ein geometrisches Deep-Learning-Modell, das auf atomarer Ebene intermolekulare Schnittstellen lernt.

• Datengrundlage: Das Modell wurde auf einem riesigen Datensatz von 2.037.972 Interaktionskomplexen trainiert, die aus der Cambridge Structural Database (CSD) und dem Protein Data Bank (PDB) stammen. Dies umfasst fünf Modalitäten: Proteine, kleine Moleküle, Metallionen, Lipide und Nukleinsäuren (insgesamt 8 Interaktionstypen).
• Architektur:
  • Hierarchische Graphen: Die Komplexe werden als zweistufige Graphen dargestellt.
    • Ebene 1 (Atom): Knoten repräsentieren Atome mit Elementtyp und 3D-Koordinaten.
    • Ebene 2 (Block): Atome sind zu chemisch sinnvollen Blöcken gruppiert (z. B. Aminosäuren, Nukleotide, funktionelle Gruppen kleiner Moleküle).
  • SE(3)-äquivariante Nachrichtenausbreitung: Das Modell nutzt Tensor-Field-Networks (basierend auf e3nn), die rotations- und translationsinvariant sind. Nachrichten werden sowohl innerhalb von Molekülen (intramolekular) als auch zwischen ihnen (intermolekular) ausgetauscht.
• Selbstüberwachtes Pretraining: Das Modell wird durch zwei Hauptziele trainiert:
  1. Denoising (Entrauschen): Das Modell muss die ursprüngliche Struktur wiederherstellen, nachdem eine der interagierenden Einheiten durch starre SE(3)-Transformationen und zufällige Torsionswinkel-Rotationen gestört wurde. Dies zwingt das Modell, relative räumliche Beziehungen zu lernen.
  2. Masked Block Prediction: Ähnlich wie bei BERT wird die Identität zufällig maskierter chemischer Blöcke an der Schnittstelle vorhergesagt.
• Embeddings: Das Modell generiert Multi-Scale-Embeddings auf Ebene der Atome, Blöcke und des gesamten Graphen (Komplex).

3. Wichtige Beiträge

• Einheitlicher Embedding-Raum: ATOMICA schafft einen gemeinsamen latenten Raum, der chemische Ähnlichkeiten und physikochemische Eigenschaften über verschiedene Molekülklassen hinweg abbildet.
• Skalierungsgesetze: Die Studie zeigt, dass das Pretraining über alle Modalitäten hinweg die Leistung bei Interaktionen mit wenig Daten (z. B. Protein-Nukleinsäure-Komplexe) signifikant verbessert, verglichen mit Modellen, die nur auf einzelnen Modalitätenpaaren trainiert wurden.
• ATOMICA-Score: Eine neue Metrik zur Identifizierung der wichtigsten Residuen an einer Schnittstelle durch Maskierung und Messung der Änderung im Embedding.
• Anwendung auf den „Dark Proteome": Das Modell wird genutzt, um Liganden (Ionen und Cofaktoren) für Proteine vorherzusagen, die keine bekannte Funktion oder Annotation haben.

4. Ergebnisse

• RNA-Benchmarks (RNAGlib): ATOMICA übertrifft bestehende RNA-Struktur-Encoder und RNA-Sprachmodelle in vier Aufgaben: Vorhersage von Protein-Bindungsstellen, funktioneller Annotation (GO-Terme), Vorhersage von kleinen Molekül-Bindungsstellen und Identifizierung von Liganden in RNA-Taschen.
• Protein-Taschen-Klassifikation: Bei der Vorhersage von Liganden in Protein-Taschen (MaSIF-Ligand-Benchmark) erreicht ATOMICA eine höhere Genauigkeit als spezialisierte Taschen-Encoder und ist mit großen Protein-Sprachmodellen (z. B. ESM-2, ProstT5) vergleichbar, obwohl es deutlich weniger Parameter (7,5 Mio.) hat.
• Cross-Modalität-Interpretierbarkeit: In Experimenten mit orthosterischen PPI-Inhibitoren (Protein-Protein-Interaktions-Inhibitoren) zeigt sich, dass Inhibitor-Embeddings im ATOMICA-Raum räumlich nahe an den nativen Protein-Protein-Schnittstellen liegen. Dies bestätigt, dass das Modell strukturelle Ähnlichkeiten zwischen Inhibitoren und ihren natürlichen Partnern erfasst.
• Experimentelle Validierung:
  • ATOMICA-Ligand wurde auf den „Dark Proteome" angewendet und Liganden für 2.646 dunkle Protein-Taschen vorhergesagt.
  • Fünf Kandidaten für Häm-Bindung wurden experimentell validiert. Durch rekombinante Expression und UV-Vis-Spektroskopie (Rotverschiebung der Soret-Bande) konnte die Häm-Bindung für alle fünf Proteine bestätigt werden.
  • Besonders bemerkenswert ist die Vorhersage für das Protein V5BF69, das kein kanonisches CXXCH-Motiv für Häm-Bindung aufweist, aber dennoch experimentell als Häm-Binder bestätigt wurde.

5. Bedeutung und Ausblick

ATOMICA stellt einen Paradigmenwechsel dar, da es nicht isolierte Moleküle, sondern die Interaktionsschnittstelle als primäre Einheit für das Lernen betrachtet.

• Generalisierung: Es beweist, dass multimodales Pretraining die Generalisierungsfähigkeit für Interaktionen mit wenigen Daten verbessert.
• Entdeckung neuer Funktionen: Die Fähigkeit, Liganden für den „Dark Proteome" (Proteine ohne bekannte Funktion) vorherzusagen, eröffnet neue Wege für die Entdeckung von Kofaktoren und enzymatischen Funktionen.
• Zukunft: Die Autoren sehen als nächsten Schritt die Entwicklung von kombinierten Sequenz-Struktur-Repräsentationen, um die Vorteile von Sequenz-Evolution (aus Sprachmodellen) mit den geometrischen Details von ATOMICA zu vereinen.

Zusammenfassend bietet ATOMICA ein leistungsfähiges, universelles Framework zum Verständnis molekularer Wechselwirkungen, das sowohl in der Grundlagenforschung als auch in der Wirkstoffentwicklung (Drug Discovery) anwendbar ist.