Resumen Técnico: IGLOO – Tokenizador de Bucles de Inmunoglobulina

Declaración del Problema

Las Regiones Determinantes de la Complementariedad (CDR) de los anticuerpos son estructuras de bucle críticas para el reconocimiento y la unión de antígenos. Históricamente, la diversidad de estos bucles se ha categorizado en "clústeres canónicos" basados en ángulos diedros del esqueleto (Chothia & Lesk, 1987; North et al., 2011). Sin embargo, los enfoques de agrupamiento canónico existentes sufren tres limitaciones primarias:

1. Cobertura Limitada: Una parte significativa de los bucles de anticuerpos, particularmente los bucles H3 altamente diversos (76.3%), carece de un clúster canónico de coincidencia conocido.
2. Falta de Integración de Secuencias: Los clústeres existentes dependen únicamente de las coordenadas del esqueleto o de los ángulos diedros, ignorando la información de la secuencia.
3. Incompatibilidad con Modelos de Fundación: Los métodos de agrupamiento actuales no pueden integrarse fácilmente en modelos de lenguaje de proteínas (PLM) o modelos fundacionales multimodales, que típicamente tokenizan al nivel de aminoácidos en lugar del nivel de la subestructura del bucle.

Aunque los PLM multimodales recientes han incorporado tokens estructurales, generalmente se centran en la reconstrucción a nivel de aminoácidos y no tienen en cuenta la modularidad de mayor nivel de los dominios proteicos. Existe un desafío abierto en la tokenización de los bucles de inmunoglobulina para capturar tanto la diversidad estructural como la de secuencia para un aprendizaje de representación efectivo.

Metodología: IGLOO

Los autores presentan IGLOO (ImmunoGlobulin LOOp Tokenizer), un tokenizador multimodal diseñado para codificar bucles de anticuerpos combinando la secuencia y los ángulos diedros del esqueleto.

Arquitectura y Entrada

IGLOO opera al nivel de la subestructura del bucle. Para un bucle de longitud $n$, la entrada consiste en:

• Secuencia: Una secuencia de aminoácidos $a = (a_1, \dots, a_n)$.
• Estructura: Ángulos diedros del esqueleto $\phi, \psi, \omega \in (-\pi, \pi]^n$.

Los ángulos diedros se proyectan sobre el círculo unitario $(\cos \theta, \sin \theta)$ y se pasan a través de una capa lineal. La secuencia se codifica utilizando embeddings aprendibles para los 20 aminoácidos canónicos. Estos dos tipos de modalidades se suman para crear un embedding multimodal $X$. Una arquitectura Transformer (basada en ESM-2) procesa estos residuos, produciendo un token de clasificación continuo $t$ que representa todo el bucle y tokens multimodales a nivel de residuo $x_i$.

Objetivos de Entrenamiento

IGLOO se entrena utilizando un marco de aprendizaje contrastivo autosupervisado con cuatro objetivos:

1. Reconstrucción Enmascarada: Predicción de ángulos diedros enmascarados e identidades de aminoácidos enmascarados.
2. Aprendizaje Contrastivo de Esqueletos: La innovación central. IGLOO aprende a mapear los bucles con ángulos diedros del esqueleto similares más cerca en el espacio latente. La similitud se define por la distancia de ángulo diedro $D$ (North et al., 2011), que tiene en cuenta la naturaleza quiral de las proteínas y el posicionamiento de las cadenas laterales mejor que el RMSD.
   • Pares Positivos: Bucles de la misma longitud con $D < 0.1$.
   • Pares Negativos: Bucles de diferentes longitudes o de la misma longitud con $D > 0.47$.
   • Se aplica un margen para evitar el sobreajuste al umbral específico utilizado para las definiciones de clústeres canónicos.
3. Aprendizaje de Codebook: Una pérdida de cuantización vectorial asigna los bucles a tokens discretos ($\hat{t}$) de un codebook, facilitando la recuperación y comparación rápidas.

Integración en Modelos de Lenguaje

Los autores demuestran dos métodos para incorporar los tokens de IGLOO en modelos de lenguaje de proteínas, ajustados (fine-tuned) a partir del modelo de anticuerpos base IgBert:

• IGLOOLM: Inserta el token de clasificación continuo $t$ al inicio de cada bucle CDR. Esto captura el contexto de la conformación general del bucle.
• IGLOOALM: Inserta tanto el token de clasificación $t$ como los tokens multimodales de residuo $x_i$ para cada aminoácido en el bucle. Esto proporciona contexto estructural a nivel de residuo.

Resultados Clave

1. Recuperación de Paratopos

IGLOO fue evaluado para recuperar estructuras de bucles similares de la base de datos SAbDab.

• Rendimiento: IGLOO logró un rendimiento de vanguardia (state-of-the-art) en la recuperación de bucles con estructuras de esqueleto similares (definidas por $D < 0.47$ y RMSD $< 1$ Å).
• Especificidad del Bucle H3: Para el bucle H3, altamente diverso, IGLOO superó al mejor tokenizador de estructura existente (Amino Aseed) en un 5.9% y al mejor modelo de lenguaje de proteínas (ESM-2) en un 69.8% en términos de precisión en el rango 20 para la recuperación de distancia diedra.
• Eficiencia: IGLOO superó a modelos más grandes (por ejemplo, ESM-2 3B) a pesar de ser significativamente más pequeño, demostrando la eficiencia de la tokenización de bucles.

2. Recuperación de Clústeres Canónicos

IGLOO fue probado en su capacidad para recuperar clústeres canónicos conocidos definidos por Kelow et al. (2022).

• Pureza: Los tokens cuantizados lograron una alta pureza de clúster (por ejemplo, 0.983 para Heavy CDR4, 0.900 para Heavy CDR2).
• Cobertura: A diferencia de los métodos tradicionales, IGLOO asigna tokens a todos los bucles, abordando la brecha de cobertura donde anteriormente el 20.3% de los bucles no tenían una coincidencia canónica. Reprodujo con éxito las conformaciones canónicas conocidas para el 90.6% de los bucles en SAbDab.

3. Predicción de Afinidad de Unión

IGLOOLM fue evaluado para predecir la afinidad de unión de variantes de cadena pesada en 10 dianas de anticuerpo-antígeno (AbBiBench).

• Rendimiento: IGLOOLM superó al modelo base IgBert en 8 de 10 dianas.
• Comparación: Se desempeñó a la par o mejor que modelos con 7 veces más parámetros (por ejemplo, ESM-2 3B).
• Observación: Los modelos que utilizan solo el token de clasificación (IGLOOLM) superaron a aquellos que utilizan tokens estructurales a nivel de residuo (IGLOOALM) para esta tarea específica, lo que sugiere que para el escaneo de mutaciones profundas donde las secuencias difieren por pocas mutaciones, el resumen de la conformación del bucle es más robusto que las predicciones de residuo potencialmente ruidosas.

4. Muestreo de Bucles Controlable

IGLOOALM fue utilizado para muestrear bucles de anticuerpos con secuencias enmascaradas.

• Diversidad vs. Consistencia: Los bucles muestreados exhibieron una alta diversidad de secuencia mientras mantenían la consistencia estructural con el bucle original.
• Caso de Estudio: Al rediseñar el bucle H3 de un anticuerpo contra SARS-CoV-2 (PDB 7TCQ), IGLOOALM generó secuencias con una distancia de edición promedio de 6.6 respecto al original, pero las estructuras predichas mantuvieron el plegamiento de beta-cabello (beta-hairpin) original con un RMSD promedio de 0.79 Å. Esto superó a los modelos de plegamiento inverso de anticuerpos de vanguardia (AbMPNN, AntiFold).

Significación y Reivindicaciones

El artículo afirma que IGLOO demuestra el beneficio de introducir tokens multimodales específicamente para los bucles de anticuerpos. Al codificar el paisaje diverso de las conformaciones de los bucles mediante una combinación de secuencia y ángulos diedros, IGLOO:

• Mejora los Modelos de Fundación: Mejora la expresividad de los modelos de lenguaje de proteínas, permitiéndoles capturar motivos estructurales que los modelos de solo secuencia pasan por alto.
• Resuelve Problemas de Cobertura: Proporciona un esquema de tokenización que cubre todo el paisaje de los bucles de anticuerpos, incluyendo aquellos que anteriormente eran inclasificables mediante métodos canónicos.
• Avanza el Diseño Racional: Facilita aplicaciones en la predicción de la afinidad de unión y la generación controlada de bucles de anticuerpos diversos y estructuralmente consistentes, lo cual es crítico para la ingeniería de anticuerpos y la optimización de candidatos (lead optimization).

Los autores señalan que, aunque IGLOOALM muestra resultados sólidos in silico, se requiere una validación exhaustiva en laboratorio (wet-lab) para confirmar que los anticuerpos rediseñados mantienen la unión real al antígeno. Prevén futuras extensiones para incluir estructuras de todo el átomo, información de epítopos y la afinidad de unión directamente como modalidades.