AlphaFind v2: Similarity Search in AlphaFold DB and TED Domains across Structural Contexts

Dieses Paper stellt AlphaFind v2 vor, eine Anwendung zur schnellen und biologisch relevanten Suche nach strukturell ähnlichen Proteinen in der AlphaFold-Datenbank und der TED-Domänendatenbank, die durch eine Kombination aus Embedding-basiertem Vorfiltern und US-align-Verfeinerung verschiedene Suchmodi wie pLDDT-bewusste Analysen und multidomänische Vergleiche ermöglicht.

Das Wesentliche

Stell dir vor, du hast einen riesigen, unendlichen Bibliothekskeller, der vollgestopft ist mit Millionen von 3D-Modellen von Proteinen. Diese Proteine sind die winzigen Maschinen, die in jedem Lebewesen arbeiten. Bisher war es extrem schwierig, in diesem Keller nach einem bestimmten Modell zu suchen, weil man jedes einzelne Stückchen mit dem Auge vergleichen müsste – ein Prozess, der Jahre dauern würde.

Das neue Tool AlphaFind v2 ist wie ein genialer, superschneller Bibliothekar, der diesen Keller durchsucht, um dir die ähnlichsten Proteine zu finden. Hier ist die Erklärung, wie das funktioniert, ganz einfach und mit ein paar Bildern aus dem Alltag:

1. Das Problem: Der Ozean an Daten

Früher kannten wir nur etwa 200.000 Proteine, die wir im Labor tatsächlich gebaut und gemessen haben. Heute hat die KI "AlphaFold" über 240 Millionen vorhergesagte Modelle erstellt. Das ist wie der Unterschied zwischen einer kleinen Dorfbibliothek und dem gesamten Internet. Wenn du dort nach einem ähnlichen Protein suchst, ist es wie die Suche nach einer Nadel im Heuhaufen – nur dass der Heuhaufen aus Milliarden von Heuhalmen besteht.

2. Die Lösung: Der "Schnell-Scan" und der "Fein-Check"

AlphaFind v2 nutzt einen cleveren Zwei-Schritt-Plan, um diese riesige Menge zu bewältigen:

• Schritt 1: Der Fingerabdruck (Der Schnell-Scan)
  Stell dir vor, du willst einen Freund in einer Menge von einer Million Menschen finden. Du würdest nicht jeden einzelnen anhalten und sein Gesicht genau ansehen. Stattdessen suchst du erst nach jemandem mit ähnlicher Haarfarbe und Statur.
  AlphaFind macht das Gleiche: Es wandelt die komplizierte 3D-Form eines Proteins in einen simplen "Fingerabdruck" (eine Art mathematische Kurve) um. Damit kann es in Millisekunden Millionen von Modellen durchsuchen und eine Liste der 100 vielversprechendsten Kandidaten erstellen. Das ist der "Schnell-Scan".

• Schritt 2: Der genaue Vergleich (Der Fein-Check)
  Jetzt, wo du nur noch 100 Kandidaten hast, kannst du sie genauer ansehen. AlphaFind nimmt diese 100 und legt sie physikalisch übereinander, um zu sehen, wie perfekt sie passen. Das dauert etwas länger, ist aber viel genauer.

3. Die neuen Tricks: Nicht nur "ganz", sondern "teilweise"

Das Besondere an der neuen Version (v2) ist, dass sie nicht mehr nur ganze Proteine vergleicht, sondern auch Teile davon. Das ist wie beim Vergleich von Autos:

• Der ganze Wagen (Full-Chain): Du vergleichst das komplette Auto.
• Nur der stabile Teil (pLDDT-Filter): Manchmal sind Teile eines Proteins so wackelig, dass die KI sie nicht sicher vorhersagen kann (wie ein Auto mit einem wackeligen Dach). AlphaFind kann so eingestellt werden, dass es nur die stabilen, sicheren Teile vergleicht. Es ignoriert das wackelige Dach und konzentriert sich auf den Motor. Das ist super, wenn man nur den funktionierenden Teil eines Proteins verstehen will.
• Die Bausteine (TED-Domänen): Proteine sind oft wie Lego-Konstruktionen aus verschiedenen Modulen. AlphaFind kann jetzt nach spezifischen Lego-Modulen suchen, die in vielen verschiedenen Autos (Proteinen) vorkommen, egal wie der Rest des Autos aussieht.
• Die Kombination (Multidomain): Manchmal ist die Reihenfolge der Lego-Module wichtig. AlphaFind kann prüfen, ob ein Protein genau diese spezielle Abfolge von Modulen hat, wie ein NCAM1-Protein, das aus fünf bestimmten Bausteinen besteht.

4. Das Ergebnis: Interaktives Entdecken

Wenn du eine Suche startest, bekommst du nicht nur eine trockene Liste. Du siehst eine Tabelle mit den besten Treffern. Wenn du auf einen Eintrag klickst, öffnet sich ein 3D-Viewer (wie ein interaktives Spiel), in dem du die beiden Proteine direkt übereinanderlegen und drehen kannst. Du siehst sofort, wo sie sich ähneln und wo sie sich unterscheiden.

Warum ist das wichtig?

Stell dir vor, du bist ein Detektiv, der herausfinden will, wie ein neues Virus funktioniert. Du suchst nach einem ähnlichen Protein in der Datenbank. Mit alten Methoden hättest du ewig gesucht oder hättest nur grobe Treffer. Mit AlphaFind v2 findest du in Sekunden das exakte Bauteil, das dem Virus hilft, in Zellen einzudringen, selbst wenn es aus einer völlig anderen Spezies stammt.

Zusammenfassend: AlphaFind v2 ist wie ein hochmodernes Suchmaschinen-Upgrade für die Welt der Proteine. Es macht das Unmögliche möglich: In einer riesigen, chaotischen Welt von Milliarden von 3D-Modellen den perfekten Doppelgänger oder das passende Bauteil in Sekunden zu finden, damit Wissenschaftler schneller neue Medikamente und Therapien entwickeln können.

Du kannst das Tool kostenlos im Browser nutzen, ohne dich anzumelden – einfach loslegen und die Welt der Proteine erkunden!

Technische Zusammenfassung

1. Problemstellung

Die Verfügbarkeit riesiger Sammlungen von Proteinstrukturen, insbesondere durch die AlphaFold Protein Structure Database (AFDB) mit über 240 Millionen vorhergesagten Strukturen, hat die strukturbasierte Analyse von Funktion und Evolution revolutioniert. Dennoch stellt die direkte Vergleichung von 3D-Strukturen in diesem Maßstab eine enorme rechnerische Herausforderung dar.

• Herausforderung: Exakte strukturelle Ausrichtungen (Alignment) sind rechenintensiv und für die Suche in Datenbanken mit Hunderten von Millionen Einträgen nicht praktikabel.
• Einschränkungen bestehender Methoden: Viele bestehende Tools konzentrieren sich entweder nur auf ganze Proteinketten oder bieten keine flexible Filterung basierend auf der Vorhersagequalität (z. B. pLDDT-Scores von AlphaFold) oder spezifischen Domänen (TED). Zudem fehlt oft die Möglichkeit, multidomänige Arrangements als Ganzes zu analysieren.

2. Methodik

AlphaFind v2 ist eine Webanwendung, die eine hybride Suchstrategie kombiniert, um Geschwindigkeit und Genauigkeit zu vereinen. Der Workflow gliedert sich in drei Phasen:

A. Datenvorbereitung und Embeddings:

• Datenbasis: Die Anwendung nutzt AlphaFold DB (Version 4).
• Embeddings:
  • Für ganze Ketten werden 1536-dimensionale Vektoren mittels des generativen Modells ESM3 in Kombination mit einem Transformer-Neuralnetzwerk erstellt.
  • Zusätzlich werden Embeddings für Ketten generiert, bei denen unsichere Regionen (basierend auf pLDDT-Schwellenwerten < 70, 80, 90) entfernt wurden.
  • Für Domänen aus der TED-Datenbank (The Encyclopedia of Domains) werden vorkomputierte 128-dimensionale Foldclass-Embeddings verwendet.
• Speicherung: Die Embeddings und Metadaten (Organismus, Genname, etc.) werden in einer OpenSearch-Vector-Datenbank gespeichert (HNSW-Index, „on disk"-Modus).

B. Suchworkflow:

1. Phase 1 (Abfrage): Die Eingabe (Protein-ID oder Struktur) wird in ein festes Embedding umgewandelt.
2. Phase 2 (Approximative Suche): Eine schnelle k-Nearest-Neighbor-Suche (k=100) im Vektor-Datenbank-Index mittels Cosine-Distanz liefert eine vorläufige, sortierte Liste von Kandidaten. Dies geschieht in Echtzeit.
3. Phase 3 (Verfeinerung im Hintergrund): Parallel zur Anzeige der Ergebnisse werden für die Kandidaten exakte strukturelle Ausrichtungen mit US-align berechnet. Dies liefert präzise Metriken wie TM-Score, RMSD und die exakte strukturelle Überlagerung. Die Reihenfolge kann sich durch diese Verfeinerung ändern, die Kandidatenmenge bleibt jedoch gleich.

C. Technische Architektur:

• Backend: Python-basiert mit Flask (REST API), Celery (asynchrone Worker für rechenintensive Aufgaben) und Redis (Task-Queue).
• Datenbanken: OpenSearch für Vektorsuche, PostgreSQL für Zustandsmanagement und Caching.
• Deployment: Kubernetes für horizontale Skalierung der Rechenworker.

3. Schlüsselbeiträge und Funktionen

AlphaFind v2 erweitert die Vorgängerversion (v1) durch folgende wesentliche Neuerungen:

• Vielseitige Suchmodi:
  1. Full-Chain: Suche über die gesamte Proteinkette.
  2. pLDDT-Filter: Suche nur in stabilen Regionen (Schwellenwerte 70, 80, 90), um „Rauschen" durch unsichere Vorhersagen zu eliminieren.
  3. TED-Domänen: Suche spezifisch nach Domänen aus der TED-Datenbank.
  4. Multidomain-Modus: Eine neuartige Funktion, die mehrere Domänen-Matches innerhalb einer Kette kombiniert. Benutzer können die Gewichtung einzelner Domänenpaare per Schieberegler anpassen, um die globale Ausrichtung zu optimieren.
• Interaktive Visualisierung: Integration des Mol*-Viewers für 3D-Überlagerungen. Die Visualisierung zeigt explizit, welche Residuen (z. B. nur pLDDT > 90) in die Berechnung einfließen.
• Metadaten-Integration: Suche nach Organismen, Taxonomie-IDs und CATH-Labels sowie Verknüpfung mit experimentellen PDB-Strukturen.

4. Ergebnisse und Performance

Die Evaluation wurde mit einem Testdatensatz aus 2050 multidomänigen Proteinen (für Ketten) und 4420 TED-Domänen durchgeführt.

• Geschwindigkeit: AlphaFind v2 ist in der approximativen Suche (Phase 2) um eine Größenordnung schneller als konkurrierende Methoden wie FoldSeek Server oder Merizo-search.
  • Ketten-Suche: ~2,4 Sekunden für approximative Ergebnisse (vs. ~42s bei FoldSeek).
  • Domänen-Suche: ~0,49 Sekunden (vs. ~146s bei Merizo-search).
• Genauigkeit: Die nachfolgende Verfeinerung (Phase 3) dauert zwar länger (~46s), ist aber schneller als die Suche in AlphaFind v1 und vergleichbar mit FoldSeek.
• Qualität: Die Top-Ergebnisse weisen statistisch signifikant höhere TM-Scores auf als die Vergleichssysteme (p < 0,05).
• Fallstudien:
  • PIN3-Protein: Durch den pLDDT-Filter (>90) konnten Homologe in Sojabohnen gefunden werden, die bei einer Vollketten-Suche aufgrund von intrinsisch ungeordneten Schleifen übersehen wurden (TM-Score 0,947).
  • NCAM1: Der Multidomain-Modus erlaubte die Identifikation von Proteinen mit ähnlicher Domänenarchitektur (Ig-Superfamilie), auch wenn die relative Position der Domänen in den Vorhersagen variierte.

5. Bedeutung und Fazit

AlphaFind v2 schließt eine kritische Lücke zwischen der enormen Datenmenge an vorhergesagten Proteinstrukturen und der Notwendigkeit für schnelle, biologisch relevante Suchwerkzeuge.

• Skalierbarkeit: Durch die Kombination aus Vektor-Embeddings (für Geschwindigkeit) und US-align (für Genauigkeit) ermöglicht das Tool die Exploration von Datenbanken im Maßstab von Millionen von Strukturen in interaktiver Zeit.
• Biologische Relevanz: Die Fähigkeit, Suchen auf hochkonfidente Regionen oder spezifische Domänen-Topologien zu beschränken, verbessert die biologische Aussagekraft der Ergebnisse erheblich, insbesondere bei Proteinen mit großen ungeordneten Regionen.
• Zugänglichkeit: Als kostenlose, webbasierte Anwendung ohne Login ist sie für die wissenschaftliche Gemeinschaft leicht zugänglich (https://alphafind.ics.muni.cz/).

Zusammenfassend stellt AlphaFind v2 einen bedeutenden Fortschritt in der strukturbasierten Bioinformatik dar, der die Analyse der AlphaFold-Datenbank für komplexe evolutionäre und funktionelle Fragestellungen praktikabel macht.