CROWN: Curated Repository Of Well-resolved Noncovalent interactions

Das Paper stellt CROWN vor, einen umfassend kuratierten und maschinenlern-fähigen Datensatz von 153.005 Protein-Ligand-Komplexen, der durch einen automatisierten Vorverarbeitungsprozess und eine einzigartige energie-minimierende Nachbearbeitung die Lücke zwischen der hohen strukturellen Qualität kleinerer Datenbanken und der breiten Abdeckung großer Ressourcen schließt, um die Entwicklung von KI-Modellen für Bindungsstellen zu verbessern.

Das Wesentliche

Das Problem: Ein riesiger Schatz, aber voller Müll

Stellen Sie sich vor, Sie wollen einen Roboter bauen, der lernt, wie Schlüssel (Medikamente) in Schlösser (Proteine im Körper) passen. Um das zu lernen, braucht der Roboter eine riesige Bibliothek mit Fotos von passenden Schlüssel-Schloss-Kombinationen.

Das Problem ist: Die bestehende Bibliothek (die Datenbank PDB) ist riesig, aber chaotisch.

• Die „saubere" Bibliothek: Es gibt kleine, sorgfältig sortierte Sammlungen (wie PDBBind). Die Fotos sind perfekt, aber es gibt nur wenige davon. Der Roboter lernt nur eine winzige Auswahl an Schlüsseln und wird dann verwirrt, wenn er einen neuen, unbekannten Schlüssel sieht.
• Die „große" Bibliothek: Es gibt riesige Datenberge (wie PLInder), die fast alle Fotos enthalten. Aber viele davon sind unscharf, haben fehlende Teile, sind falsch beschriftet oder zeigen gar keine Schlüssel, sondern nur Müll (Kristallisations-Rückstände). Wenn der Roboter mit diesem Dreck trainiert, lernt er Fehler und Lügen.

Die Wissenschaftler standen vor der Wahl: Entweder Qualität (wenig Daten) oder Quantität (viele, aber schlechte Daten).

Die Lösung: CROWN – Der ultimative Daten-Sortierer

Die Autoren haben CROWN (Curated Repository Of Well-resolved Non-covalent interactions) entwickelt. Man kann sich CROWN wie einen hochmodernen, vollautomatischen Wasch- und Sortierroboter vorstellen, der durch den riesigen Datenberg fährt und das Beste heraussucht.

Hier ist, was dieser Roboter macht, Schritt für Schritt:

1. Der erste Filter (Die Qualitätskontrolle):
   Der Roboter schaut sich jedes Foto an. Ist es unscharf? Ist das Licht schlecht? Enthält das Bild nur Rauschen statt eines echten Schlüssels? Wenn ja, wird es sofort aussortiert. Nur die kristallklaren Bilder bleiben übrig.

2. Die Reparaturwerkstatt:
   Bei den verbleibenden Bildern fehlen oft Teile. Vielleicht ist ein Finger am Schlüssel abgebrochen oder ein Teil des Schlosses fehlt. Der Roboter repariert diese Lücken automatisch. Er entfernt auch den „Müll" (wie Glycerin oder Salze, die nur beim Fotografieren da waren, aber nichts mit der echten Bindung zu tun haben).

3. Der „Gummiband"-Trick (Das Herzstück):
   Das ist die genialste Idee des Papers. Stellen Sie sich vor, die Atome im Foto sind wie Figuren, die an einem Gummiband hängen.

   • Die Figuren im Hintergrund (das Schloss) sind an starre, dicke Seile gebunden. Sie dürfen sich kaum bewegen, damit das Originalfoto erhalten bleibt.
   • Die Figuren im Vordergrund (wo Schlüssel und Schloss sich berühren) sind an weiche, dehnbare Gummibänder gebunden.
   • Der Roboter lässt die Figuren nun ein wenig „schwingen", um Spannungen zu lösen (wie wenn man ein verknittertes T-Shirt glättet). Die weichen Gummibänder sorgen dafür, dass sie nicht zu weit weg vom Originalfoto fliegen, aber genug Bewegung haben, um sich natürlich zu entspannen.
   • Das Ergebnis: Alle Fotos sehen jetzt gleichmäßig „glatt" und physikalisch korrekt aus, ohne dass die ursprüngliche Form verzerrt wird.

4. Der finale Check:
   Am Ende prüft der Roboter noch einmal: Ist das Schloss jetzt kaputt gegangen? Wenn ja, wird das Foto verworfen. Wenn nein, wird es in die neue, perfekte Bibliothek aufgenommen.

Das Ergebnis: Ein riesiger, sauberer Datenschatz

Am Ende hat CROWN aus fast 650.000 rohen Einträgen 153.000 perfekte Komplexe gemacht.

• Vielfalt: Diese neue Bibliothek ist viermal so vielfältig wie die alten, sauberen Sammlungen. Der Roboter sieht jetzt viele verschiedene Arten von Schlössern und Schlüsseln, nicht nur die üblichen Verdächtigen.
• Keine Lügen: Früher haben viele Datenbanken nur Fotos von Schlüsseln gezeigt, für die man auch wusste, wie stark sie kleben (Bindungsstärke). CROWN ignoriert das. Es schaut sich nur an, wie Schlüssel und Schloss zusammenpassen (die Geometrie). Das ist wichtig, weil die meisten Fotos keine Klebstärke-Angaben haben. CROWN nutzt also die Form als Information, nicht den Kleber.

Warum ist das wichtig?

Früher mussten Wissenschaftler stundenlang manuell Daten bereinigen – wie Handwerker, die jeden einzelnen Stein in einem Mauerwerk prüfen. CROWN hat diesen Prozess vollautomatisiert.

Das bedeutet:

• KI-Modelle können jetzt mit viel mehr und besseren Daten trainieren.
• Sie können besser neue Medikamente entwickeln, die in bisher unbekannte Proteine passen.
• Die Daten sind so sauber, dass man sich darauf verlassen kann, dass die Atome dort sind, wo sie physikalisch hingehören.

Zusammenfassend: CROWN ist wie ein riesiger, intelligenter Filter, der aus dem chaotischen Dschungel der wissenschaftlichen Daten eine glasklare, perfekt sortierte Bibliothek macht, damit die nächste Generation von KI-Entdeckern darauf aufbauen kann.

Technische Zusammenfassung

1. Problemstellung

Die Entwicklung von Machine-Learning-Modellen für Protein-Ligand-Interaktionen wird derzeit durch einen fundamentalen Zielkonflikt in den verfügbaren strukturellen Datenbanken behindert:

• Qualität vs. Quantität: Hochwertige, manuell kuratierte Datensätze wie PDBBind oder HiQBind bieten strukturelle Zuverlässigkeit, decken jedoch nur einen kleinen Bruchteil des Protein Data Bank (PDB) ab (wenige Zehntausende Einträge). Dies führt zu einer Unterrepräsentation der chemischen und biologischen Vielfalt.
• Rohdaten-Probleme: Große Datensätze wie PLInder bieten eine breite Abdeckung (nahezu 650.000 Einträge), enthalten jedoch oft strukturelle Artefakte (fehlende Atome, sterische Kollisionen, falsche Bindungen) und unterliegen keiner strengen Qualitätskontrolle.
• Bias durch Affinitätsdaten: Viele etablierte Benchmarks basieren auf experimentell gemessenen Bindungsaffinitäten. Diese Daten sind oft heterogen, fehleranfällig und existieren nur für einen kleinen Teil der bekannten Strukturen, was die Trainingsdaten einschränkt und Verzerrungen einführt.

2. Methodik: Die CROWN-Pipeline

CROWN ist ein vollständig automatisierter, maschinenlern-fähiger Datensatz, der aus der PLInder-Datenbank (Version 2024-06/v2) abgeleitet wurde. Der Prozess beginnt mit 649.915 Systemen und führt diese durch eine Pipeline aus fünf Qualitätsfiltern und zwei Verarbeitungsstufen, um 153.005 hochwertige Komplexe zu erhalten.

Schlüsselschritte der Pipeline:

1. Strukturqualität (Filter 1): Nur hochauflösende Röntgenkristallstrukturen (≤ 3,0 Å) werden behalten. Die Passung der Liganden an die Elektronendichte wird streng geprüft (Real-Space R-value < 0,3; Real-Space Correlation Coefficient > 0,8).
2. Ligandenqualität (Filter 2): Entfernung von Kristallisationsartefakten, Ionen und kovalent gebundenen Liganden. Liganden mit seltenen Elementen (B, Se, Si) oder Metallkoordinationen (außer HEM, MGD, SF4) werden ausgeschlossen, da sie nicht vom verwendeten Kraftfeld (OpenFF 2.2.0) unterstützt werden.
3. Taschenqualität (Filter 3): Komplexe mit fehlenden Proteinatomen innerhalb von 6 Å um den Liganden oder nicht-standard Aminosäuren in der Bindetasche werden verworfen.
4. Strukturkorrekturen (Processing 1):
   • Entfernung von Artefakten und Auswahl der Konformer mit höchster Besetzung.
   • Rekonstruktion fehlender Atome/Reste (mit PDBFixer).
   • Substitution nicht-standard Aminosäuren (außerhalb der Tasche) durch Standardäquivalente.
   • Reparatur von Bindungen und Auflösung sterischer Kollisionen.
5. Interaktionsqualität (Filter 4): Sicherstellung, dass Liganden 10–100 schwere Atome haben und >10 enge Kontakte zum Protein bilden. Entfernung redundanter Einträge (identische Posen).
6. Protonierung und Kraftfeldzuweisung (Processing 2):
   • Zuweisung von Protonierungszuständen bei pH 7,4 (PDBFixer für Proteine, Dimorphite-DL für Liganden).
   • Nutzung von OpenMM 8.4.0 mit ff19SB (Protein), OL21 (Nukleinsäuren), OPC3 (Wasser) und OpenFF 2.2.0 (Liganden).
7. Eingeschränkte Energieminimierung (Der Kernbeitrag):
   • Ein neuartiger Schritt, der in keinem anderen Protein-Ligand-Datensatz vorhanden ist.
   • Potenzial: Verwendung einer flachen Boden-Restriktion (flat-bottomed restraint) für schwere Atome in der Bindetasche. Atome können sich frei innerhalb eines Toleranzbereichs von 0,25 Å (Kristallisationsunsicherheit) bewegen, ohne energetische Strafe. Bei größeren Abweichungen greift ein sanft ansteigendes polynomiales Potenzial.
   • Ziel: Entspannung von intramolekularen Spannungen und sterischen Kollisionen, während die experimentell beobachtete Geometrie erhalten bleibt. Das Protein-Gerüst außerhalb der Tasche wird starr fixiert.
8. Stabilitätsfilter (Filter 5): Nur Komplexe, bei denen die RMSD nach der Minimierung gering bleibt (< 0,6 Å für Ligand/Tasche, < 0,2 Å für das Gerüst), werden behalten.

3. Wichtige Beiträge

• Skalierung bei hoher Qualität: CROWN bietet eine vierfache Steigerung der Protein- und Taxonomievielfalt im Vergleich zu PDBBind und HiQBind (12.352 UniProt-IDs, 3.209 Spezies), bei gleichzeitiger strikter struktureller Qualität.
• Geometrie-zentriertes Design: Der Datensatz verzichtet vollständig auf externe Bindungsaffinitätslabels. Stattdessen wird die 3D-Anordnung der Atome an der Schnittstelle als eigenständige Informationsquelle genutzt. Dies ermöglicht die Einbeziehung Tausender gut aufgelöster Strukturen ohne Affinitätsdaten.
• Einheitliche Struktur: Durch die eingeschränkte Energieminimierung werden die heterogenen Verfeinerungspraktiken verschiedener Kristallographen harmonisiert, ohne die experimentelle Geometrie zu verzerren.
• Vollständige Annotation: Jeder Eintrag verfügt über verifizierte Qualitätsmetriken (RSR, RSCC) und ist frei von strukturellen Inkonsistenzen (keine fehlenden Bindungen, keine sterischen Kollisionen).

4. Ergebnisse

• Datensatzgröße: Von 649.915 Startsystemen verbleiben 153.005 Komplexe. Der größte Verlust (ca. 50%) erfolgt durch den ersten Filter (Strukturqualität/Resolution).
• Vielfalt: CROWN deckt ein breiteres chemisches Raum ab als PDBBind/HiQBind, einschließlich größerer Liganden (relevant für PROTACs, Makrozyklen), die in kleineren Datensätzen unterrepräsentiert sind.
• Strukturelle Korrekturen: Die Pipeline korrigiert automatisch Probleme wie alternative Konformer, fehlende kovalente Bindungen und sterische Kollisionen, die in Rohdatenbanken häufig vorkommen.
• Minimierungseffekte: Die RMSD-Analyse zeigt, dass das Protein-Gerüst stabil bleibt, während Liganden und Taschenatome moderate Anpassungen (Median 0,22–0,27 Å) erfahren, die innerhalb der kristallographischen Unsicherheit liegen. Wasserstoffatome zeigen größere Bewegungen (0,52 Å), was zu realistischeren Wasserstoffbrückennetzwerken führt.

5. Bedeutung und Ausblick

CROWN adressiert kritische Lücken in der strukturellen Biologie und im Drug-Design:

• Training generativer Modelle: Der Datensatz ist ideal für das Training von Diffusionsmodellen zur Vorhersage von Bindungsposen, da er große Mengen an strukturell konsistenten Daten bietet.
• Scoring-Funktionen: Er ermöglicht die Entwicklung von wissensbasierten Scoring-Funktionen, die nicht auf Affinitätsdaten angewiesen sind.
• Reproduzierbarkeit: Die Pipeline ist als Open-Source-Software verfügbar und kann bei neuen PLInder-Releases automatisch aktualisiert werden.

Limitationen:
Derzeitige Einschränkungen betreffen die Kraftfeld-Abdeckung: Metallkoordinationen (außer HEM, MGD, SF4), seltene Elemente und nicht-standard Aminosäuren in der Bindetasche werden nicht unterstützt. Zukünftige Versionen sollen durch maschinenlern-basierte Kraftfelder und die Integration von Cryo-EM-Strukturen erweitert werden.

Verfügbarkeit:
Der vollständige Datensatz (153.005 Komplexe) und die Pipeline sind frei verfügbar unter https://crown.lbmd.be (CC BY 4.0) bzw. auf GitHub.