Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

Die Arbeit stellt Protenix-v1 vor, das erste vollständig open-source Biomolekül-Strukturvorhersagemodell, das AlphaFold3 in puncto Genauigkeit übertrifft, durch Inference-Time-Scaling skalierbare Verbesserungen bietet und zusätzliche Funktionen wie RNA-MSA-Unterstützung sowie eine auf dem neuesten Datensatz trainierte Variante für die praktische Anwendung bereitstellt.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der versuchen muss, ein riesiges, komplexes Gebäude aus nur einer Beschreibung zu bauen. Das Gebäude ist ein Protein – ein winziger, aber lebenswichtiger Baustein in unserem Körper. In der Vergangenheit gab es nur einen einzigen, sehr geheimnisvollen Architekten (AlphaFold3), der diese Gebäude perfekt bauen konnte, aber niemand durfte sehen, wie er es tat oder welche Werkzeuge er benutzte.

Andere Architekten (die Open-Source-Modelle) haben versucht, mit dem gleichen Ergebnis zu bauen, aber sie waren oft etwas ungenau oder brauchten mehr Zeit.

Protenix-v1 ist jetzt da, und es ist ein echter Game-Changer. Hier ist die Geschichte, einfach erklärt:

1. Der neue Meister-Architekt

Protenix-v1 ist das erste vollständig offene Werkzeug, das genauso gut baut wie der geheime Meister (AlphaFold3).

• Die Analogie: Stellen Sie sich vor, der geheime Architekt hat eine geheime Bibliothek mit Bauplänen, die er bis zu einem bestimmten Datum (z. B. 2023) gelesen hat. Protenix-v1 hat genau dieselbe Bibliothek gelesen, genau dieselbe Anzahl an Werkzeugen benutzt und genau denselben Zeitrahmen für den Bau. Und trotzdem? Es baut genauso gut oder sogar besser!
• Warum das wichtig ist: Jetzt kann jeder sehen, wie der Zauber funktioniert. Es gibt keine Geheimnisse mehr.

2. Der "Kaffee-Test": Je mehr Versuche, desto besser

Ein besonderes Talent von Protenix-v1 ist seine Fähigkeit, aus Fehlern zu lernen, während es arbeitet.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, einen Knoten in einem Seil zu lösen. Wenn Sie es einmal versuchen, klappt es vielleicht nicht. Aber wenn Sie 100 Mal verschiedene Methoden ausprobieren (das nennt man "Sampling"), finden Sie fast immer die perfekte Lösung.
• Frühere offene Modelle waren wie jemand, der nur einmal zieht und dann aufgibt. Protenix-v1 ist wie ein geduldiger Handwerker: Wenn Sie ihm mehr Zeit und Rechenleistung geben, um mehr "Versuche" zu machen, wird das Ergebnis immer besser. Das ist besonders wichtig für schwierige Aufgaben, wie das Zusammenfügen von Antikörpern und Viren.

3. Ein Werkzeugkasten für alles

Protenix-v1 ist nicht nur für einfache Gebäude da. Es kann auch:

• RNA (eine Art Bauplan für die Zelle) verstehen.
• Medikamente (kleine Moleküle) in die richtigen Löcher der Proteine einpassen.
• Alte Baupläne (Templates) nutzen, um schneller zu bauen.
  Es ist wie ein Schweizer Taschenmesser, das für fast jede biologische Herausforderung die richtige Klinge hat.

4. Die zwei Versionen: Der Vergleichs-Test und der Praxis-Experte

Das Team hat zwei Versionen veröffentlicht, je nachdem, was Sie brauchen:

• Protenix-v1 (Der ehrliche Prüfling): Diese Version wurde mit den alten, strengen Regeln trainiert, damit wir sie fair mit dem geheimen Meister vergleichen können. Sie zeigt, dass offene Modelle jetzt mithalten können.
• Protenix-v1-20250630 (Der Praxis-Experte): Diese Version hat neueste Baupläne gelernt (bis Juni 2025). Wenn Sie ein Medikament für eine neue Krankheit entwickeln wollen, die erst vor kurzem entdeckt wurde, ist diese Version Ihr bester Freund. Sie kennt die neuesten Trends in der Welt der Proteine.

5. Ein neuer Maßstab für Gerechtigkeit

Die Autoren haben auch bemerkt, dass die bisherigen Wettbewerbe (Benchmarks) oft unfair waren.

• Die Analogie: Stellen Sie sich einen Sportwettkampf vor, bei dem einige Läufer auf einer asphaltierten Straße laufen, andere auf Sand, und die Ergebnisse werden einfach addiert. Das ist unfair!
• Protenix-v1 hat neue, gerechtere Regeln und Werkzeuge eingeführt, damit man wirklich vergleichen kann, wer am besten ist, ohne dass Zufall oder versteckte Fehler das Ergebnis verfälschen.

Fazit

Protenix-v1 ist wie der große Durchbruch in der Welt der Biologie. Es zeigt, dass man nicht mehr auf geheime, teure Supercomputer angewiesen ist, um die Baupläne des Lebens zu verstehen. Es ist offen, fair, extrem genau und kann durch mehr Rechenleistung noch besser werden. Für Forscher, die neue Medikamente entwickeln wollen, ist es ein riesiger Schritt nach vorne – und für die ganze Welt ein Beweis dafür, dass Zusammenarbeit und Offenheit zu besseren Ergebnissen führen.

Technische Zusammenfassung

1. Problemstellung

Die Vorhersage der Struktur von Biomolekülen ist ein fundamentales Werkzeug in der biologischen Forschung und der Wirkstoffentwicklung. Obwohl die Open-Source-Community schnell gewachsen ist (z. B. mit Modellen wie Chai-1 oder Boltz-1), besteht weiterhin eine signifikante Leistungslücke zu geschlossenen Modellen wie AlphaFold3 (AF3).

• Transparenz-Problem: Geschlossene Modelle ermöglichen keine systematischen Vergleiche oder faire Bewertungen, da Trainingsdaten und Architekturen nicht offengelegt werden.
• Leistungslücke: Bisherige Open-Source-Modelle erreichten unter kontrollierten Bedingungen (gleiche Trainingsdaten, Modellgröße, Inference-Budget) nicht die Genauigkeit von AlphaFold3.
• Bewertungsproblematik: Bestehende Benchmarks (wie FoldBench) leiden unter Inkonsistenzen in den Datenabdeckungen (z. B. durch Out-of-Memory-Fehler bei komplexen Modellen) und fehlender Varianzberichterstattung, was faire Vergleiche erschwert.

2. Methodik

Protenix-v1 (PX-v1) ist das erste vollständig Open-Source-Modell, das unter strikt kontrollierten Bedingungen (gleicher Daten-Cutoff, gleiche Modellgröße und Inference-Budget wie AF3) eine überlegene Leistung erzielt.

• Architektur & Training:

  • Das Modell nutzt einen Diffusions-basierten Ansatz, der mit den Hyperparametern von AlphaFold3 übereinstimmt.
  • Datenverarbeitung: Es wurden verbesserte Pipelines implementiert, einschließlich der Integration von Protein-Templates und Unterstützung für RNA-MSAs (Multiple Sequence Alignments).
  • Distillation: Das Training umfasst eine erweiterte Destillation von Unordnungs-Daten (Disorder-focused) und eine groß angelegte Destillation von Monomern basierend auf MGnify.
  • Dual-Release-Strategie:
    1. Protenix-v1: Trainiert mit demselben Daten-Cutoff wie AlphaFold3 für faire Vergleiche.
    2. Protenix-v1-20250630: Eine Variante, die auf einem größeren, aktuelleren Datensatz (bis Juni 2025) trainiert wurde, um die Genauigkeit für reale Anwendungen (z. B. Wirkstoffentdeckung) zu maximieren.

• Inference & Skalierung:

  • Das Modell zeigt ein robustes Inference-Time-Scaling: Durch Erhöhung des Sampling-Budgets (Anzahl der generierten Kandidaten/Seeds) verbessert sich die Vorhersagequalität konsistent (nahezu log-linear), insbesondere bei schwierigen Zielen wie Antikörper-Antigen-Komplexen.
  • Konfidenz-Scores: Die Nutzung von Scores wie ipTM, pTM und pLDDT ermöglicht eine effektive Auswahl der besten Strukturen aus dem Ensemble.

• Neue Evaluierungs-Frameworks:

  • Die Autoren kritisieren die bestehenden Benchmarks und führen jahrweise stratifizierte Testsets ein (PXM-2024, PXM-2025, PXM-22to25), um Datenverzerrungen zu minimieren.
  • Es wird eine Bootstrapping-Methode (z. B. 20 Seeds) verwendet, um die Varianz in datenarmen Domänen (wie Antikörper-Interaktionen) zu reduzieren.
  • Ein „korrigierter" FoldBench wurde erstellt, der nur den gemeinsamen Schnitt erfolgreich bewerteter Proben aller Modelle berücksichtigt, um faire Vergleiche zu gewährleisten.

3. Wichtige Beiträge

1. Leistungsniveau AlphaFold3: Protenix-v1 ist das erste Open-Source-Modell, das AlphaFold3 in Bezug auf die Genauigkeit bei gleichen Randbedingungen erreicht oder in vielen Bereichen (insbesondere Protein-Protein und Antikörper-Antigen) sogar übertrifft.
2. Inference-Time-Scaling: Demonstration, dass Open-Source-Modelle durch erhöhten Rechenaufwand während der Inferenz signifikant an Genauigkeit gewinnen können – ein Verhalten, das zuvor hauptsächlich bei AF3 beobachtet wurde.
3. Erweiterte Fähigkeiten: Unterstützung für RNA-MSAs und Protein-Templates, was die Anwendbarkeit auf komplexere biomolekulare Systeme erweitert.
4. Verbesserte Benchmarking-Praktiken: Einführung von größeren, diverseren Testsets und Varianz-bewussten Evaluierungsprotokollen, um die Zuverlässigkeit von Vergleichen in der Community zu erhöhen.
5. Praktische Werkzeuge: Bereitstellung von Protenix-v1-20250630 für den Einsatz in der Wirkstoffentwicklung und von aktualisierten Evaluierungstools (PXMeter).

4. Ergebnisse

Die Ergebnisse wurden auf mehreren Benchmarks (FoldBench, PXM-Suiten, Runs-N-Poses) gegen Modelle wie AlphaFold3, Chai-1, Boltz-1 und Boltz-2 verglichen:

• FoldBench: Protenix-v1 erreicht in den Bereichen Protein-Protein und Antikörper-Antigen eine höhere Genauigkeit als AlphaFold3 (z. B. DockQ SR von 52,31 % vs. 48,75 % für AF3 im korrigierten Schnitt). Bei Protein-Ligand und Protein-DNA bleibt AF3 leicht im Vorteil.
• PXM-2024/2025: Protenix-v1 übertrifft alle Open-Source-Baselines konsistent über alle Domänen hinweg. Auf PXM-2024 wurde eine relative Verbesserung von ca. 10 % gegenüber führenden Baselines bei Protein-Protein-Interaktionen erzielt.
• Antikörper-Antigen (PXM-22to25-Antibody): Durch Skalierung des Sampling-Budgets (von 1 auf 100 Seeds) stieg die DockQ Success Rate von 36 % auf fast 48 %.
• Wirkstoff-Design (Filter-Fähigkeit): Protenix-v1 erzielt die höchsten AUC-Werte (Area Under the Curve) bei der Unterscheidung zwischen bindenden und nicht-bindenden Designs, was es zu einem überlegenen Filter für das Design von Bindern macht.
• Ablationsstudien:
  • Ohne RNA-MSA sinkt die Leistung bei RNA-Interaktionen, bleibt aber in anderen Domänen stabil.
  • Die Variante Protenix-v1-20250630 (mit aktuelleren Daten) zeigt signifikante Verbesserungen bei Antikörper-Antigen-Aufgaben und auf dem PXM-2024-Datensatz, was die Bedeutung von Daten-Skalierung unterstreicht.

5. Bedeutung und Ausblick

Protenix-v1 stellt einen Meilenstein für die Open-Source-Community dar, da es die langjährige Annahme widerlegt, dass Open-Source-Modelle aufgrund fundamentaler architektonischer Grenzen nicht an die Leistung von geschlossenen Modellen wie AlphaFold3 herankommen können.

• Demokratisierung: Es ermöglicht eine transparente, reproduzierbare und faire Bewertung von Strukturvorhersagemodellen.
• Praktischer Nutzen: Die Fähigkeit, durch erhöhten Rechenaufwand (Scaling) die Genauigkeit zu steigern, bietet Nutzern einen praktischen Hebel, um Kosten und Genauigkeit je nach Anwendungsfall (z. B. Hochdurchsatz-Screening vs. präzises Design) abzuwägen.
• Zukunft: Die Arbeit legt den Grundstein für zukünftige Forschung in den Bereichen skalierbare Inferenz, verbesserte Evaluierungsmethoden und den Einsatz in der industriellen Wirkstoffentwicklung.

Zusammenfassend etabliert Protenix-v1 einen neuen Standard für Open-Source-Biomolekül-Strukturvorhersage und bietet ein robustes Framework für die nächste Generation von Forschungs- und Anwendungswerkzeugen.