Programming Biomolecular Interactions with All-Atom Generative Model

Die Studie stellt AnewOmni vor, ein einheitliches generatives All-Atom-Modell, das durch das Lernen von Interaktionsmustern über mehr als 5 Millionen Biomolekül-Komplexe hinweg die erfolgreiche, modality-übergreifende Entwicklung funktioneller Moleküle – von kleinen Chemikalien bis zu großen Biologika – ermöglicht und dabei menschliche Intuition und begrenzte Daten überwindet.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der Gebäude entwirft. Bisher gab es für jede Art von Gebäude eine völlig andere Baustelle, andere Werkzeuge und andere Baupläne: Für kleine Hütten (kleine Moleküle) nutzten Sie einen bestimmten Plan, für große Wolkenkratzer (Proteine) einen anderen, und für mittlere Häuser (Peptide) wieder einen dritten. Die Architekten sprachen kaum miteinander, obwohl die Grundgesetze der Physik – wie Schwerkraft und Statik – für alle gleich waren.

Das neue Papier beschreibt einen revolutionären neuen Ansatz namens AnewOmni. Es ist wie ein universeller Super-Architekt, der gelernt hat, alle Arten von molekularen Gebäuden mit einem einzigen Werkzeugkasten zu bauen.

Hier ist die einfache Erklärung, wie das funktioniert:

1. Der universelle Baustein-Kasten (Die Idee)

Statt zu sagen "Das ist ein kleines Molekül" oder "Das ist ein großes Protein", schaut AnewOmni auf die atomare Ebene. Es zerlegt alles in kleine, chemisch sinnvolle Bausteine (wie Legosteine).

• Ein kleines Medikament besteht aus ein paar dieser Steine.
• Ein großes Protein besteht aus Tausenden davon.
• Das Geniale: Der Super-Architekt weiß, dass ein "roter Stein" (ein bestimmtes Atom) immer gleich funktioniert, egal ob er in einem kleinen Haus oder einem Wolkenkratzer verbaut wird. Er hat über 5 Millionen dieser Baupläne (komplexe Moleküle) gelernt und versteht nun die universellen Regeln des Zusammenbaus.

2. Der "Programmierbare Bauplan" (Die Steuerung)

Früher mussten Architekten raten, wie ein Gebäude aussehen soll. Mit AnewOmni können Sie dem Architekten genaue Anweisungen geben, ähnlich wie bei einem Computerprogramm.

• Beispiel: "Baue ein Molekül, das genau wie ein Ring aussieht (zyklisch)."
• Beispiel: "Füge einen speziellen 'Scharnier'-Baustein ein, der nicht in der normalen Liste steht."
• Beispiel: "Baue so, dass es genau an dieser Stelle des Ziel-Proteins festklebt."

Man kann dem System also sagen: "Ich brauche etwas, das stabil ist, durch die Zellwand kommt und an Punkt X bindet." Das System baut dann genau das.

3. Der große Test: Der "Undurchdringliche" KRAS-Schloss

Um zu beweisen, dass ihr System funktioniert, haben die Forscher es an einem berüchtigten "Schloss" getestet: dem KRAS G12D-Protein.

• Das Problem: Dieses Protein ist wie ein Schloss, das so flach und glatt ist, dass normale Schlüssel (Medikamente) nicht hineinpassen. Es galt lange als "nicht heilbar".
• Die Lösung: AnewOmni hat nicht nur einen Schlüssel entworfen, sondern drei völlig verschiedene Arten von Schlüsseln für dasselbe Schloss:
  1. Einen kleinen, metallischen Schlüssel (ein kleines Molekül).
  2. Einen flexiblen Drahtschlüssel (ein Peptid).
  3. Einen riesigen, komplexen Schlüsselbund (ein Nanobody, eine Art mini-Antikörper).
• Das Ergebnis: Alle drei funktionierten! Besonders beeindruckend: Die kleinen Moleküle sahen gar nicht aus wie die bekannten Medikamente. Sie waren völlig neu erfunden, passten aber perfekt.

4. Der geheime Hintereingang: PCSK9

Ein weiterer Test war das Protein PCSK9, das den Cholesterinspiegel reguliert.

• Normalerweise blockiert man das Protein, indem man direkt an die "Tür" (die aktive Stelle) klopft.
• AnewOmni hat jedoch einen geheimen Hintereingang (eine versteckte Tasche) gefunden, den niemand vorher gesehen hatte.
• Das System hat ein kleines Molekül entworfen, das genau dort hineingeht. Wenn man dort hineingreift, verändert sich das ganze Protein so, dass es nicht mehr schädlich ist.
• Der Beweis: Als die Forscher das entworfenen Molekül im Labor bauten und unter dem Mikroskop (Röntgenstrahlung) betrachteten, passte es exakt in das Loch, das der Computer vorhergesagt hatte. Die Abweichung war kleiner als ein Haarstrich!

Warum ist das so wichtig?

Stellen Sie sich vor, Sie müssten ein neues Medikament entwickeln. Früher mussten Sie Tausende von Kandidaten im Labor testen (wie das Durchsuchen eines riesigen Haufen Schrott nach einem funktionsfähigen Schlüssel). Das kostet Jahre und Millionen.

Mit AnewOmni ist es, als hätten Sie einen intelligenten 3D-Drucker, der Ihnen sofort den perfekten Schlüssel entwirft.

• Es funktioniert für alles: Von winzigen Chemikalien bis zu riesigen Proteinen.
• Es braucht weniger Laborversuche, weil der Computer die besten Kandidaten vorher schon aussortiert.
• Es kann neue Welten erschließen, indem es Moleküle baut, die in der Natur noch nie existiert haben, aber physikalisch perfekt funktionieren.

Zusammenfassend: AnewOmni ist der erste Schritt zu einer "KI für molekulare Intelligenz". Sie lernt die Sprache der Natur (wie Atome zusammenpassen) und kann diese Sprache nutzen, um völlig neue Medikamente zu "schreiben", die Krankheiten heilen können, die wir bisher als unheilbar betrachteten. Es ist, als hätte man endlich ein Wörterbuch gefunden, mit dem man nicht nur bestehende Sätze lesen, sondern völlig neue Geschichten über Leben und Gesundheit schreiben kann.

Technische Zusammenfassung

1. Problemstellung

Die Entwicklung von Wirkstoffen zur Modulation biomolekularer Interaktionen (z. B. zwischen kleinen Molekülen, Proteinen und Nukleinsäuren) wird traditionell in getrennten Silos betrieben. Jede Molekülklasse (Small Molecules, Peptide, Antikörper) nutzt eigene Repräsentationen, Regeln und Protokolle, obwohl die zugrundeliegenden physikalischen Prinzipien der molekularen Erkennung (atomare Wechselgeometrie) identisch sind.
Bestehende generative Modelle sind oft modalitätsspezifisch (nur für kleine Moleküle oder nur für Proteine) oder nutzen diskrete Token-Repräsentationen (z. B. Aminosäuren als Einheiten), was den Transfer von physikalischen Prinzipien zwischen verschiedenen Molekülgrößen und -typen einschränkt. Zudem fehlt es an Frameworks, die es erlauben, über die Trainingsdaten hinausgehende, hybride oder unkonventionelle Chemistrien (z. B. nicht-kodierende Aminosäuren) zu entwerfen.

2. Methodik: AnewOmni

Das Paper stellt AnewOmni vor, ein einheitliches, atomares generatives Grundmodell (Foundation Model), das auf über 5 Millionen Biomolekül-Komplexen trainiert wurde.

• Einheitliche Repräsentation (Atom-zu-Block):
  Statt Moleküle als reine Atome oder als grobe Token (wie Aminosäuren) zu behandeln, organisiert AnewOmni Atome in chemisch sinnvolle Bausteine (Building Blocks).

  • Standard-Einheiten (z. B. Aminosäuren, Nukleobasen) bleiben erhalten.
  • Kleine Moleküle und seltene Strukturen werden in häufige Fragmente (mined aus ChEMBL) oder einzelne Atome zerlegt.
  • Dies ermöglicht eine atomare Auflösung, behält aber strukturelle Priors (z. B. wiederkehrende Muster in Proteinen) bei.

• Architektur:

  • All-Atom Variational Autoencoder (VAE): Kodiert die atomare Geometrie in einen niedrigdimensionalen, latenten Raum von Punktwolken (Latent Point Clouds). Dieser Raum erfasst sowohl atomare Details als auch strukturelle Priors.
  • Latent Diffusion Model: Generiert plausible Punktwolken im latenten Raum, konditioniert auf die Bindungsstelle des Zielproteins.
  • Decoder: Dekodiert die generierten latenten Punkte zurück in vollständige All-Atom-Geometrien.

• Programmierbare Graph-Prompts:
  Ein zentrales Feature ist die Möglichkeit, den Generierungsprozess durch Graph-Prompts zu steuern. Nutzer können chemische, topologische und geometrische Constraints als Knoten- oder Kanten-Labels eingeben.

  • Beispiele: Erzwungene Disulfidbrücken (cyclische Peptide), Einbau nicht-kodierender Aminosäuren (ncAAs), kovalente Bindungen, Molekülwachstum an bestehenden Gerüsten oder Einschränkung der Topologie.

• Trainingsdaten:
  Das Modell wurde auf einer riesigen, multimodalen Datensammlung trainiert, die Protein-Komplexe mit kleinen Molekülen, Peptiden und Antikörpern (insgesamt >5 Mio. Biokomplexe) umfasst.

3. Wichtige Beiträge

1. Erster einheitlicher Ansatz: AnewOmni ist das erste Modell, das erfolgreich funktionale Moleküldesigns über alle Skalen hinweg (von kleinen chemischen Einheiten bis zu großen Biologics wie Nanobodies) in einem einzigen Framework durchführt.
2. Transferlernen über Modalitäten: Es wird gezeigt, dass das Lernen von Interaktionsmustern und physikalischen Constraints über verschiedene Modalitäten hinweg möglich ist. Das Modell profitiert von gemeinsamen atomaren Prinzipien, was zu besseren Ergebnissen führt als rein modalitätsspezifische Modelle.
3. Programmierbarkeit: Die Einführung von Graph-Prompts ermöglicht eine feingranulare Kontrolle über die Generierung, die über das hinausgeht, was in den Trainingsdaten enthalten war (z. B. Design von cyclischen Peptiden ohne solche in den Trainingsdaten).
4. Zero-Shot Generalisierung: Das Modell zeigt starke Generalisierungsfähigkeiten auf völlig neue Zielstrukturen (z. B. RNA, DNA, Glykane), für die keine spezifischen Trainingsdaten vorhanden waren.

4. Ergebnisse und Validierung

In-silico Benchmarks:

• AnewOmni übertrifft spezialisierte State-of-the-Art-Modelle in den Kategorien Small Molecules, Peptide und Antikörper in physikalischer Plausibilität und Bindungsenergie.
• Cross-Modalität: Modelle, die multimodal trainiert wurden, zeigten eine höhere Wiederherstellungsrate nativer Interaktionen und generierten mehr neue, gültige Interaktionen als Single-Modalität-Modelle.
• Zero-Shot RNA/DNA: Das Modell generierte erfolgreich kleine Moleküle und Peptide, die an RNA/DNA binden, obwohl es während des Trainings keine RNA-Daten gesehen hatte (AUC von 0,77 bei der Unterscheidung von bindenden/nicht-bindenden Paaren).

Experimentelle Validierung (Proof of Concept):

• KRAS G12D (Schwieriges Target):

  • Das Modell entwarf erfolgreich Small Molecules, Peptide und Nanobodies für denselben Switch-II-Pocket.
  • Small Molecules: Zwei von drei synthetisierten Verbindungen zeigten IC50-Werte von 24 µM und 36 µM. Die Moleküle wiesen eine sehr geringe strukturelle Ähnlichkeit (Tanimoto 0,12–0,15) zu bekannten Inhibitoren (MRTX1133) auf, was auf völlig neue Chemotypen hindeutet.
  • Peptide: 23% Erfolgsrate für lineare und 35% für cyclische Peptide (IC50 bis 2,37 µM). Der Erfolg bei cyclischen Peptiden zeigt die Kraft der programmierbaren Prompts.
  • Nanobodies: 75% Erfolgsrate bei der Selektion basierend auf struktureller Konsistenz (scRMSD), mit einem besten Binder bei Kd = 587 nM.

• PCSK9 (Orthosterisch und Allosterisch):

  • Orthosterisch: Design von Peptiden, die die PPI-Schnittstelle blockieren (57% Hit-Rate, Kd bis 3,19 µM).
  • Allosterisch: In Kombination mit AlphaFold3 wurde ein bisher unbekanntes, kryptisches allosterisches Bindetaschen-Target identifiziert. AnewOmni entwarf Small Molecules, die diese Tasche besetzen.
  • Strukturelle Bestätigung: Die Kristallstruktur eines entworfenen Moleküls (PCSK9-compound-3) stimmte mit dem generierten Design mit einer RMSD von 0,92 Å überein.
  • Funktion: Die Verbindungen hemmten die PCSK9-Sekretion und erhöhten die LDLR-Expression in Zellen, was den allosterischen Mechanismus bestätigte.

5. Bedeutung und Ausblick

AnewOmni demonstriert, dass ein einheitliches, atomares generatives Modell die Grenzen zwischen verschiedenen Molekülklassen überwinden kann.

• Paradigmenwechsel: Es verschiebt den Fokus von modalitätsspezifischen Pipelines hin zu einem allgemeinen „Molecular Reasoning Engine", der physikalische Prinzipien der molekularen Erkennung lernt und transferiert.
• Datenknappheit: Das Modell kann in Regime vordringen, in denen Daten und menschliche Intuition begrenzt sind (z. B. unkonventionelle Chemistrien oder neue Targets).
• Zukunft: Die Fähigkeit, durch programmierbare Prompts gezielt Chemistrien zu steuern, eröffnet neue Wege für das Design von Wirkstoffen mit maßgeschneiderten Eigenschaften (z. B. verbesserte Zellpermeabilität durch Peptid-Modifikationen), ohne dass für jede neue Anforderung ein neues Modell trainiert werden muss.

Zusammenfassend stellt AnewOmni einen bedeutenden Schritt in Richtung eines universellen, generativen Fundamentmodells für die Entdeckung von Biomolekülen dar, das durch experimentelle Erfolge in verschiedenen Modalitäten und Targets validiert wurde.