Protenix-v2: Broadening the Reach of Structure Prediction and Biomolecular Design

Die Arbeit stellt Protenix-v2 als ein leistungsfähiges System vor, das durch signifikante Verbesserungen bei der Strukturvorhersage von Antikörpern und beim biomolekularen Design, einschließlich erfolgreicher Entdeckungen bei schwierigen GPCR-Zielen und SARS-CoV-2-Bindern, die beschleunigte Wirkstoffentwicklung vorantreibt.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Architekt, der nicht nur Gebäude entwerfen, sondern auch die perfekten Schlüssel zu tausenden von verschiedenen, winzigen Schlössern (Krankheiten) schmieden muss. Das ist die Aufgabe von Protenix-v2, einem neuen, hochmodernen KI-System von ByteDance, das in diesem Papier vorgestellt wird.

Hier ist die einfache Erklärung, was dieses System kann und warum es so aufregend ist, übersetzt in eine Geschichte mit Analogien:

1. Der "Super-Verstärker" für das Sehen (Strukturvorhersage)

Stellen Sie sich vor, Sie versuchen, ein komplexes 3D-Puzzle aus dem Gedächtnis zu lösen, ohne die Schachtel mit dem Bild auf der Vorderseite zu haben. Frühere KI-Modelle (wie die Vorgänger von Protenix) waren wie ein Mensch mit einer guten Brille, aber bei sehr schwierigen Puzzles (z. B. wie ein Antikörper an ein Virus bindet) wurden sie schnell unscharf.

Protenix-v2 ist wie ein Nachtsichtgerät mit Laser-Verstärkung.

• Was es tut: Es kann die genaue Form von Proteinen und wie sie zusammenpassen, extrem präzise vorhersagen.
• Der Fortschritt: Das Papier zeigt, dass Protenix-v2 bei Antikörpern (den "Schlüsseln") viel besser ist als sein Vorgänger. Es braucht dafür nur 5 Versuche (5 "Seeds"), um Ergebnisse zu liefern, die früher 1.000 Versuche brauchten.
• Die Analogie: Stellen Sie sich vor, Sie suchen einen bestimmten Schlüssel in einem riesigen Haufen. Der alte Computer musste den ganzen Haufen durchwühlen (1.000 Versuche). Protenix-v2 sieht den Schlüssel sofort und hebt ihn mit nur 5 schnellen Blicken heraus.

2. Der "Tüftler", der neue Schlüssel erfindet (Design)

Früher mussten Wissenschaftler oft jahrelang im Labor experimentieren, um einen neuen Antikörper zu finden, der eine Krankheit bekämpft. Das ist wie der Versuch, einen neuen Schlüssel zu schmieden, indem man einfach Metall schmilzt und hofft, dass er passt.

Protenix-v2 ist wie ein 3D-Drucker für perfekte Schlüssel.

• Was es tut: Es entwirft komplett neue Antikörper am Computer, die noch nie in der Natur existiert haben ("Zero-Shot Design").
• Der Erfolg: In Tests mit neuen, schwierigen Zielen (wie bestimmten Krebsmarkern) hat das System in fast jedem Fall mindestens einen funktionierenden Schlüssel gefunden.
• Die Trefferquote: Bei sehr einfachen Zielen lag die Erfolgsrate bei bis zu 48 %. Das bedeutet: Von 100 entworfenen Schlüsseln funktionieren fast 50 sofort. Das ist für die Wissenschaft ein unglaublicher Sprung.

3. Die "Meister-Schlosser" bei den unmöglichen Schlössern (GPCRs)

Einige Krankheiten sind wie Schlösser, die so klein, flexibel und versteckt sind, dass normale Schlüssel (Antikörper) gar nicht erst hinkommen. Diese Schlösser nennt man GPCRs. Früher galt es als fast unmöglich, hier Antikörper zu finden.

Protenix-v2 ist wie ein Meister-Schlosser mit einem flexiblen, magnetischen Werkzeug.

• Der Test: Das Team hat Protenix-v2 vor diese unmöglichen Schlösser gestellt.
• Das Ergebnis: Selbst mit einem sehr kleinen Budget (nur 16 bis 30 Versuche pro Schloss) hat das System in bis zu 88 % der Fälle einen funktionierenden Schlüssel gefunden.
• Die Bedeutung: Das öffnet die Tür zu Medikamenten gegen Krankheiten, die bisher als "unbehandelbar" galten.

4. Der "Qualitätskontrolleur" (Chemische Realität)

Manchmal entwirft eine KI einen Schlüssel, der auf dem Bildschirm perfekt aussieht, aber in der echten Welt zerfällt oder nicht funktioniert (z. B. weil ein Atom falsch herum gedreht ist).

Protenix-v2 hat einen strengen "Chemie-Polizisten" eingebaut.

• Was es tut: Es überprüft nicht nur, ob der Schlüssel passt, sondern auch, ob er chemisch stabil und realistisch ist.
• Das Ergebnis: Die entworfenen Moleküle sehen nicht nur gut aus, sie sind auch "baufähig" und sicher für den menschlichen Körper. Sie haben eine hohe "Überlebensrate" in Tests für Stabilität und Sicherheit.

5. Der "Allrounder" gegen Mutationen (Viren)

Viren wie SARS-CoV-2 verändern sich ständig (Mutationen wie Omicron). Ein Schlüssel, der heute passt, passt morgen vielleicht nicht mehr.

Protenix-v2 kann "Universal-Schlüssel" schmieden.

• Der Test: Das System wurde gebeten, einen Mini-Binder zu entwerfen, der sowohl das Original-Virus als auch die Omicron-Variante bekämpft.
• Das Ergebnis: Es schaffte es, zwei solcher "Universal-Schlüssel" zu entwerfen, die beide Varianten fest im Griff haben. Das ist ein großer Schritt für die Entwicklung von Medikamenten, die auch gegen zukünftige Virus-Varianten wirken.

Zusammenfassung: Warum ist das wichtig?

Stellen Sie sich die Entwicklung neuer Medikamente wie das Suchen nach dem perfekten Nadel im Heuhaufen vor.

• Früher: Man brauchte Jahre, viel Geld und tausende Versuche, um eine Nadel zu finden.
• Mit Protenix-v2: Die KI schaut in den Heuhaufen, findet die Nadel in Minuten und baut sofort eine ganze Serie von perfekten Ersatz-Nadeln, die garantiert funktionieren.

Dieses Papier zeigt, dass wir mit Protenix-v2 nicht nur schneller sind, sondern auch Probleme lösen können, die wir früher für unlösbar hielten. Es ist ein mächtiges Werkzeug, um die Zukunft der Medizin zu beschleunigen – von der Entdeckung neuer Antibiotika bis hin zu Krebsmedikamenten.

Technische Zusammenfassung

1. Problemstellung

Die Vorhersage von Biomolekülstrukturen und das Design neuer Binder sind zentrale Herausforderungen in der Wirkstoffentwicklung. Während frühere Modelle (wie AlphaFold 3 oder Protenix-v1) Fortschritte bei der Vorhersage von Proteinstrukturen zeigten, bestehen weiterhin erhebliche Lücken in folgenden Bereichen:

• Antikörper-Antigen-Interaktionen: Die genaue Vorhersage der Schnittstellengeometrie zwischen Antikörpern und Antigenen ist nach wie vor schwierig, insbesondere bei der Effizienz des Samplings (Anzahl der benötigten Vorhersagen für ein gutes Ergebnis).
• Zero-Shot-Design: Die Fähigkeit, ohne vorheriges Training auf spezifische Ziele (Zero-Shot) funktionelle Antikörper zu entwerfen, ist begrenzt, besonders bei schwierigen Zielstrukturen wie G-Protein-gekoppelten Rezeptoren (GPCRs), deren extrazelluläre Epitope oft klein und flexibel sind.
• Chemische Plausibilität: Bei der Vorhersage von Protein-Ligand-Komplexen stimmen die geometrischen Vorhersagen oft nicht mit chemischen Realitäten überein (z. B. falsche Chiralität oder Bindungslängen), was die klinische Nutzbarkeit einschränkt.
• Entwickelbarkeit: Generierte Moleküle müssen nicht nur binden, sondern auch pharmazeutisch entwickelbar sein (Stabilität, geringe Selbstaggregation, keine Polyreaktivität).

2. Methodik

Protenix-v2 ist ein umfassendes System, das Strukturvorhersage und biomolekulares Design vereint.

• Architektur und Training: Das Modell basiert auf einer verfeinerten Architektur mit Trainingsoptimierungen. Um Datenlecks zu vermeiden, wurden keine Daten aus der wwPDB-Datenbank nach dem 30. September 2021 im Training verwendet.
• Strukturvorhersage: Das System kann Biomolekülstrukturen vorhersagen und rangieren. Es unterstützt verschiedene Formate, darunter Miniproteine, VHH (Variable Domain of Heavy Chain of Heavy-chain Antibody) und vollständige monoklonale Antikörper (mAb).
• Generatives Design: Protenix-v2 ermöglicht eine zielkonditionierte Generierung (Target-Conditioned Generation). Nutzer können spezifische CDR-Schleifen (Complementarity-Determining Regions) mit definierten Längenbereichen zuweisen oder vorgegebene Gerüste (Frameworks) integrieren.
• Training-Free Guidance (TFG): Um die chemische Plausibilität von Liganden zu verbessern, wurden Varianten (Protenix-v1-TFG und v2-TFG) entwickelt. Diese nutzen constraints (Einschränkungen) für Chiralität, Planarität und Torsionsgeometrie während der Generierung, inspiriert von Methoden wie „Projected Diffusion" und dem SHAKE-Algorithmus, ohne das Modell neu zu trainieren.
• Benchmarks: Die Evaluation erfolgte auf strikten Benchmarks (PXMeter-AB, FoldBench-AB, AF3-AB) und durch experimentelle Validierung mittels Biolayer Interferometry (BLI).

3. Wichtige Beiträge und Ergebnisse

A. Verbesserte Antikörper-Antigen-Strukturvorhersage

• Leistungsgewinn: Protenix-v2 erzielt im Vergleich zu Protenix-v1 bis zu 13 Prozentpunkte höhere Erfolgsraten bei der Vorhersage von Antikörper-Antigen-Komplexen (gemessen am DockQ-Score > 0,23).
• Sampling-Effizienz: Ein entscheidender Durchbruch ist die Effizienz. Die Leistung von Protenix-v2 mit nur 5 Seeds (Vorhersageläufen) übertrifft die Ergebnisse von Protenix-v1 mit 1000 Seeds. Dies bedeutet eine massive Reduktion der Rechenkosten für hohe Genauigkeit.
• Vergleich: Das Modell übertrifft etablierte Baselines wie AlphaFold 3, Boltz-1 und OpenFold3-preview2 in den meisten Antibody-spezifischen Benchmarks.

B. Zero-Shot Antikörper-Design und Hit-Discovery

• Erfolgsrate bei löslichen Targets: Bei neuartigen, löslichen Zielstrukturen erreichte Protenix-v2 eine 100%ige Erfolgsrate auf Target-Ebene (jedes getestete Ziel hatte mindestens einen experimentell bestätigten Binder). Die Hit-Raten (BLI-bestätigt) lagen zwischen 2 % und 48 %.
• Herausfordernde GPCR-Ziele: Das Modell war erfolgreich bei der Entdeckung von Bindern für GPCRs (schwierige Membranproteine) mit nur 16–30 getesteten Designs pro Ziel.
  • VHH-Fc Format: Hit-Raten von 16 % bis 88 %.
  • mAb Format: Hit-Raten bis zu 50 %.
  • Ein VHH-Binder gegen GPRC5D zeigte eine Affinität (KD) von 112 pM.
• Entwickelbarkeit: Die generierten Hits zeigten hervorragende Eigenschaften: 100 % Bestehensrate bei Thermostabilität, 98 % bei Selbstinteraktion und 93 % bei Polyreaktivitätstests.
• Diversität: Die erfolgreichen Binder verteilten sich über mehrere strukturelle Cluster, was zeigt, dass das Modell nicht nur eine einzige Lösung findet, sondern diverse Bindungsmodi generiert.

C. Chemische Plausibilität (Ligand-Design)

• Durch die Einführung strengerer Validitätskriterien (über die üblichen PoseBusters-Checks hinaus, z. B. Planarität von Amidgruppen und sp2/sp3-Zentren) konnte Protenix-v2-TFG die Erfolgsrate bei der korrekten Vorhersage von Liganden-Posen signifikant steigern.
• Auf dem Testset PXM-22to25-Ligand erreichte Protenix-v2-TFG eine Erfolgsrate von 60,46 % (unter strengen Kriterien), was deutlich über den Werten von Boltz-1x (53,96 %) liegt und nahe an Boltz-2x herankommt.

D. Cross-Variant Design (SARS-CoV-2)

• Das Modell entwarf erfolgreich Mini-Binder, die sowohl an das Prototyp- als auch an das Omicron-RBD (B.1.1.529) binden. Zwei von vier getesteten Designs zeigten nanomolare Affinität zu beiden Varianten, was die Fähigkeit des Modells zur Überwindung von viralen Mutationen unterstreicht.

4. Signifikanz und Ausblick

Protenix-v2 stellt einen bedeutenden Fortschritt in der computergestützten Wirkstoffentwicklung dar:

1. Beschleunigung der Entdeckung: Durch die hohe Sampling-Effizienz (5 Seeds statt 1000) und die hohen Hit-Raten bei Zero-Shot-Designs wird der experimentelle Aufwand drastisch reduziert.
2. Erweiterung des Anwendungsbereichs: Das System ist nicht mehr auf einfache lösliche Proteine beschränkt, sondern erfolgreich bei komplexen, therapeutisch relevanten Zielen wie GPCRs und bei der Überwindung von viralen Varianten.
3. Qualität und Sicherheit: Die hohe Rate an entwickelbaren Kandidaten und die verbesserte chemische Plausibilität bei Liganden machen die Modelle für den direkten Einsatz in der pharmazeutischen Pipeline attraktiver.
4. Robustheit: Die Kombination aus verbesserter Strukturvorhersage und generativem Design etabliert Protenix-v2 als ein robustes Werkzeug für die beschleunigte Entdeckung von Antikörpertherapeutika und kleinen Molekülen.

Zusammenfassend demonstriert Protenix-v2, dass KI-Modelle nun in der Lage sind, nicht nur Strukturen präzise vorherzusagen, sondern auch funktionale, experimentell validierbare und therapeutisch vielversprechende Biomoleküle für eine breite Palette komplexer biologischer Ziele zu entwerfen.