Ankh-score produces better sequence alignments than AlphaFold3

Die Studie zeigt, dass die Ankh-score-Methode, die auf Protein-Embeddings basiert, deutlich bessere Sequenzalignments erzeugt als strukturelle Alignments mit AlphaFold3 und traditionelle BLOSUM-Matrizen, was darauf hindeutet, dass Ankh-Embeddings zusätzliche Informationen enthalten.

Das Wesentliche

Titel: Warum ein neuer „Sprach-Scanner" besser ist als ein 3D-Modellbauer beim Vergleichen von Proteinen

Stellen Sie sich vor, Sie haben zwei sehr alte, verblasste Kochbücher (die DNA-Sequenzen von Proteinen). Ihr Ziel ist es, herauszufinden, welche Rezepte (Aminosäuren) in beiden Büchern gleich sind, um zu verstehen, welche Gerichte (Funktionen) sie herstellen. Das ist die Aufgabe der Protein-Alignierung.

Bis vor kurzem gab es zwei Hauptmethoden, um diese Bücher zu vergleichen:

1. Der 3D-Architekt (AlphaFold): Diese Methode versucht, aus dem Text jedes Kochbuchs ein perfektes, dreidimensionales Modell des fertigen Gerichts zu bauen. Dann vergleicht man die Modelle. Wenn die Töpfe und Pfannen ähnlich aussehen, denkt man: „Ah, die Rezepte sind ähnlich!"
2. Der Sprach-Experte (Ankh-score): Diese Methode ignoriert das 3D-Modell. Stattdessen nutzt sie eine künstliche Intelligenz, die Millionen von Kochbüchern gelesen hat. Sie versteht nicht nur die Wörter, sondern auch den Kontext: „Wenn hier 'Salz' steht, folgt wahrscheinlich 'Pfeffer', egal wie das Gericht am Ende aussieht."

Was die Forscher herausgefunden haben

Die Autoren dieses Papiers haben einen großen Wettkampf veranstaltet. Sie haben den Ankh-Score (den Sprach-Experten) gegen AlphaFold 3 (den Architekten) und die alten klassischen Methoden getestet.

Das Ergebnis war überraschend klar: Der Sprach-Experte (Ankh) hat gewonnen.

Hier ist die einfache Erklärung, warum das so ist, mit ein paar Bildern:

• Das 3D-Modell ist manchmal zu starr:
  Stellen Sie sich vor, Sie vergleichen zwei Menschen. Der 3D-Architekt (AlphaFold) baut eine Statue von jedem. Wenn die Statue von Person A einen Arm hat, der etwas anders geformt ist als bei Person B, denkt der Architekt: „Die sind nicht verwandt." Aber in Wirklichkeit sind sie vielleicht Brüder, die nur unterschiedliche Haltungen einnehmen. AlphaFold baut zwar tolle Statuen, aber manchmal verpasst es die feinen Details im „Text", die zeigen, dass die beiden doch verwandt sind.

• Der Sprach-Experte sieht das Unsichtbare:
  Der Ankh-Score funktioniert wie ein sehr erfahrener Linguist. Er weiß: „Diese beiden Wörter sehen unterschiedlich aus, aber sie werden in genau demselben Satzbaustein verwendet." Er erkennt Muster in der Sprache der Proteine, die selbst in einem perfekten 3D-Modell nicht sichtbar sind. Es ist, als würde er die Absicht des Autors verstehen, nicht nur die Buchstaben.

Die drei wichtigsten Erkenntnisse

1. Der Gewinner: Die neue Methode „Ankh-Score" erstellt die besten Vergleiche. Sie ist genauer als der 3D-Vergleich von AlphaFold und weit besser als die alten Standard-Methoden.
2. Geheimwissen: Es scheint, als ob die Sprach-KI (Ankh) Informationen besitzt, die in den 3D-Modellen von AlphaFold gar nicht enthalten sind. Es ist, als hätte der Sprach-Experte ein geheimes Wörterbuch, das der Architekt nicht kennt.
3. Ein seltsames Rätsel: Normalerweise denkt man, dass echte, im Labor gemessene 3D-Strukturen (experimentelle Strukturen) besser sind als Computer-Modelle. Aber in diesem kleinen Test haben sogar die Computer-Modelle von AlphaFold besser abgeschnitten als die echten Labor-Strukturen, wenn es darum ging, die Texte zu vergleichen. Das ist verwirrend und die Forscher wollen das noch genauer untersuchen.

Fazit für den Alltag

Stellen Sie sich vor, Sie müssen zwei lange, komplizierte Texte vergleichen.

• Die alte Methode schaut nur auf die Buchstaben.
• AlphaFold baut aus den Texten 3D-Puppen und vergleicht die Puppen.
• Ankh-Score liest die Texte mit einem Verständnis für Bedeutung und Kontext, das über das bloße Betrachten der Puppen hinausgeht.

Die Botschaft der Wissenschaftler ist: Manchmal ist das Verständnis der Sprache (der Sequenz) wichtiger als das Betrachten des fertigen Gebäudes (der Struktur). Die neue Software ist kostenlos verfügbar und könnte helfen, Medikamente schneller zu entwickeln oder zu verstehen, wie das Leben funktioniert, indem sie die „Sprache" des Lebens besser übersetzt.

Technische Zusammenfassung

Titel: Ankh-score erzeugt bessere Sequenzalignments als AlphaFold3

1. Problemstellung

Die Protein-Sequenzalignment ist ein fundamentaler Prozess in der Bioinformatik, der für zahlreiche nachgelagerte Anwendungen (z. B. Evolutionstracking, Motiverkennung, Strukturvorhersage) essenziell ist. Traditionelle Methoden basieren oft auf Substitutionsmatrizen wie BLOSUM. In den letzten Jahren haben zwei revolutionäre Ansätze das Feld verändert:

1. AlphaFold: Durch die Vorhersage hochpräziser Proteinstrukturen ermöglicht es strukturbasierte Alignments, die als robuster als reine Sequenzalignments gelten.
2. Protein-Sprachmodelle (PLMs): Modelle wie Ankh, ProtT5 oder ESM-C erzeugen kontextuelle Embeddings (hochdimensionale Vektoren) für Aminosäuren, die funktionelle und evolutionäre Muster erfassen.

Die zentrale Forschungsfrage lautet: Welcher dieser modernen Ansätze liefert die besten Sequenzalignments im Vergleich zu traditionellen Methoden, und enthalten die Embeddings von PLMs Informationen, die in den von AlphaFold3 vorhergesagten Strukturen nicht vorhanden sind?

2. Methodik

Die Autoren verglichen drei Hauptmethoden zur Berechnung von Protein-Sequenzalignments:

• Methode A: Traditionell (BLOSUM)
  • Dynamische Programmierung mit affinen Lückenstrafen.
  • Verwendung verschiedener BLOSUM-Matrizen (45, 50, 62, 80, 90). BLOSUM45 erwies sich als die beste Variante.
• Methode B: Struktur-basiert (AF3US)
  • Vorhersage der Proteinstrukturen mittels AlphaFold3.
  • Ausrichtung der vorhergesagten Strukturen mittels US-align (ein strukturelles Alignment-Tool).
  • Ableitung des Sequenzalignments aus der strukturellen Überlappung.
• Methode C: Embedding-basiert (Ankh-score)
  • Nutzung des Protein-Sprachmodells Ankh zur Generierung von Embeddings für Aminosäuren.
  • Berechnung der Ähnlichkeit zwischen zwei Resten $a_1$ und $a_2$ mittels Kosinus-Ähnlichkeit ihrer Vektoren $v_1$ und $v_2$:
    $$\text{Ankh-score}(a_1, a_2) = \frac{v_1 \cdot v_2}{\|v_1\|\|v_2\|}$$
  • Anwendung dieser Scores in einem dynamischen Programmierungsalgorithmus mit affinen Lückenstrafen.

Datensätze und Evaluation:

• Daten: 20 Domänen aus BAliBASE und 20 aus der Conserved Domain Database (CDD), abgedeckt über verschiedene Identitätsniveaus.
• Metriken: Vier verschiedene Distanzmaße wurden verwendet, um die berechneten Alignments mit Referenz-Alignments zu vergleichen:
  1. Inter-Alignment-Distanz ($d_{ia}$)
  2. Relative Verschiebungsdistanz ($d_d$)
  3. Distanz zum nächsten Kontext ($d_{cc}$)
  4. Positions-basierte Distanz ($d_{pos}$) – als die aussagekräftigste Metrik gewählt.
• Statistik: Paarweiser Vergleich mittels Wilcoxon-Vorzeichen-Rang-Test (Signifikanzniveau $p < 0.01$).

3. Wichtige Beiträge und Ergebnisse

A. Überlegenheit von Ankh-score

• Hauptergebnis: Die Ankh-score-Methode liefert konsistent die besten Sequenzalignments, gefolgt von AlphaFold3 (AF3US) und dann den traditionellen BLOSUM-Matrizen.
• Statistische Signifikanz: Ankh-score gewinnt in 78,75 % der Domänen gegen AF3US, während AF3US nur in 10,63 % gewinnt. Gegen BLOSUM45 ist der Vorsprung von Ankh-score noch größer.
• Robustheit: Die Leistung von Ankh-score ist robust gegenüber Variationen der Lückenstrafen (Gap Penalties) und übertrifft AF3US auch in Fällen mit sehr hoher struktureller Ähnlichkeit (hohe TM-Scores > 0,5).

B. Vergleich mit anderen PLMs und Struktur-Alignern

• PLM-Auswahl: Unter den getesteten Modellen (ProtT5, ProstT5, ESM-C, Ankh) schnitt Ankh am besten ab.
• Struktur-Aligner: Unter den Tools zur strukturellen Ausrichtung (US-align, DALI, Foldseek) erwies sich US-align als überlegen.
• Interessante Beobachtung: Selbst wenn nur Tests mit hohen TM-Scores (gute strukturelle Übereinstimmung) betrachtet wurden, blieb Ankh-score der AF3US-Methode überlegen. Dies deutet darauf hin, dass PLMs Informationen enthalten, die in den strukturellen Vorhersagen von AlphaFold3 nicht enthalten sind.

C. Fallstudien (Case Studies)
Drei konkrete Beispiele (MTSS1 vs. Spire, HT16 vs. SH2 SAP, YxjL vs. DegU) zeigen visuell und quantitativ die Fehleranfälligkeit von AF3US:

• In mehreren Fällen alignierte AF3US Domänen falsch (z. B. falsche Zuordnung von WH2- oder SH2-Domänen), während Ankh-score und die Referenz-Alignments korrekt waren.
• Dies wird durch die Visualisierung der strukturellen Überlappungen bestätigt, wo AF3US-Alignments zu großen RMSD-Werten (Root Mean Square Deviation) führen.

D. Experimentell bestimmte Strukturen

• Ein kleiner Test mit experimentell bestimmten Strukturen (PDB) zeigte ein überraschendes Ergebnis: AF3US (basierend auf Vorhersagen) schnitt in diesem kleinen Datensatz sogar leicht besser ab als die Ausrichtung experimenteller Strukturen. Die Autoren betonen jedoch, dass dies aufgrund der geringen Stichprobengröße nicht als endgültige Schlussfolgerung gilt, aber weitere Untersuchungen rechtfertigt.

4. Bedeutung und Schlussfolgerung

• Neue Erkenntnis: Die Studie liefert starke Evidenz dafür, dass Protein-Sprachmodelle (insbesondere Ankh) kontextuelle Informationen erfassen, die in den von AlphaFold3 vorhergesagten 3D-Strukturen nicht vollständig repräsentiert sind. Dies könnte evolutionäre oder funktionelle Nuancen betreffen, die für das Alignment entscheidend sind.
• Praktische Anwendung: Ankh-score stellt derzeit den State-of-the-Art für das Berechnen von Protein-Sequenzalignments dar und übertrifft sowohl traditionelle Matrizen als auch die vielversprechende strukturbasierte Methode von AlphaFold3.
• Verfügbarkeit: Die Software ist als Webserver (e-score.csd.uwo.ca) und als Open-Source-Code (github.com/lucian-ilie/E-score) verfügbar.

Zusammenfassend verschiebt diese Arbeit den Fokus von rein strukturbasierten Ansätzen (AlphaFold) zurück zu sequenzbasierten, aber durch tiefes Lernen angereicherten Methoden (PLMs), da diese in der Praxis bessere Alignments liefern.