Deep Learning for Protein Complex Prediction and Design

Basado en el texto de la tesis proporcionado, aquí se presenta un resumen técnico detallado del trabajo presentado en el Capítulo 3: Predicción mejorada de la estructura de heterodímeros de proteínas con Modelos de Lenguaje de Proteínas.

Enunciado del Problema

La predicción precisa de las estructuras de complejos proteicos, particularmente de heterodímeros (complejos formados por dos cadenas proteicas diferentes), sigue siendo un desafío significativo en la biología estructural computacional. Aunque AlphaFold2 revolucionó la predicción de estructuras de monómeros, su extensión a complejos, AlphaFold-Multimer, enfrenta un cuello de botella crítico: la construcción de Alineaciones Múltiples de Secuencias (MSA) interólogas.

Para predecir una estructura de complejo, AlphaFold-Multimer requiere una MSA conjunta donde las secuencias homólogas de las dos cadenas constituyentes estén correctamente emparejadas a través de las especies. Los métodos tradicionales dependen de estrategias heurísticas como:

1. Emparejamiento basado en filogenia: Agrupar secuencias por especie y clasificarlas por similitud con la consulta, luego emparejar secuencias del mismo rango.
2. Co-localización genómica: Emparejar secuencias basándose en su proximidad en operones bacterianos.

Estos métodos luchan significativamente con objetivos eucariotas y casos que involucran parálogos (múltiples secuencias similares dentro de la misma especie), lo que a menudo conduce a emparejamientos incorrectos y a una baja precisión en la predicción de estructuras. El problema central abordado es cómo identificar y emparejar automáticamente y de manera efectiva los homólogos interactuantes (interólogos) para construir MSA conjuntas de alta calidad para la predicción de heterodímeros, especialmente en dominios taxonómicos difíciles.

Metodología: ESMPair

La tesis propone ESMPair, un algoritmo novedoso de emparejamiento de MSA que aprovecha los Modelos de Lenguaje de Proteínas (PLM), específicamente el modelo preentrenado ESM-MSA-1b, para identificar y emparejar homólogos.

El Pipeline:

1. Generación de MSA: Para un heterodímero de consulta, se generan MSA individuales para cada cadena utilizando JackHMMER contra la base de datos UniProt.
2. Agrupación por Especies: Los homólogos en cada MSA se agrupan por especie.
3. Puntuación basada en Atención: Se utiliza el modelo ESM-MSA-1b para estimar puntuaciones de atención por columna entre la secuencia de consulta y cada homólogo en la MSA.
   • El modelo calcula una matriz de pesos de atención por columna ($A \in \mathbb{R}^{N \times N}$) para cada capa, cabeza y columna.
   • Estas matrices se simetrizan y agregan (suman) a través de capas, cabezas y columnas para producir una matriz de similitud por pares $S$.
   • La primera fila de $S$ ($S_1$) representa la similitud entre la consulta y todas las secuencias coincidentes.
4. Clasificación y Emparejamiento: Dentro de cada grupo de especies, las secuencias se clasifican según su puntuación de similitud en $S_1$. Las secuencias de las dos cadenas que comparten la misma especie y el mismo rango se emparejan y concatenan para formar la MSA interóloga.
5. Predicción de Estructura: La MSA emparejada resultante se introduce en AlphaFold-Multimer para predecir la estructura del complejo.

Distinción Técnica Clave: A diferencia de los métodos anteriores que dependen de la identidad de secuencia o la proximidad genómica, ESMPair utiliza las señales de coevolución capturadas en los mapas de atención de un modelo de lenguaje de proteínas a gran escala para determinar la probabilidad de interacción entre homólogos.

Contribuciones Clave

1. Primera Construcción de MSA basada en PLM: Este trabajo representa la primera aplicación de Modelos de Lenguaje de Proteínas preentrenados para construir MSA conjuntas para la predicción de complejos proteicos.
2. Algoritmo ESMPair: El desarrollo de una estrategia de emparejamiento simple pero efectiva que utiliza puntuaciones de atención por columna de ESM-MSA-1b para resolver la ambigüedad de los parálogos.
3. Estrategia de Conjunto: La demostración de que combinar ESMPair con otros métodos de emparejamiento (por ejemplo, Basado en Genoma, Disonación de Bloques) mediante un enfoque de conjunto produce resultados superiores en comparación con cualquier estrategia individual.
4. Análisis de Factores: Un análisis cuantitativo que vincula las propiedades de la MSA (diversidad, profundidad, número de especies) y las puntuaciones de atención con la precisión de la predicción.

Resultados

El método se evaluó en tres conjuntos de prueba: pConf70 (objetivos de baja confianza), pConf80 y DockQ49 (objetivos con baja precisión predicha).

• Mejora del Rendimiento: ESMPair superó consistentemente a la estrategia de emparejamiento predeterminada de AlphaFold-Multimer y a otras líneas base (Genoma, Disonación de Bloques).
  • En el conjunto pConf70, ESMPair logró una puntuación DockQ Mejor Top-5 de 0.259, en comparación con 0.234 para AlphaFold-Multimer (una mejora relativa de ~10.7%).
  • En el conjunto DockQ49, la puntuación DockQ Mejor Top-5 mejoró de 0.247 (AF-Multimer) a 0.265 (ESMPair).
• Robustez Taxonómica:
  • ESMPair mostró las ganancias más significativas en objetivos Eucariotas, donde los métodos basados en filogenia luchan debido a la alta cantidad de parálogos.
  • Demostró un rendimiento excepcional en pares trans-reino (Eucariota-Bacteria), superando a las líneas base por un amplio margen (por ejemplo, DockQ 0.394 frente a 0.314 para AF-Multimer).
• Objetivos de Baja Confianza: La mejora relativa de ESMPair sobre AlphaFold-Multimer se correlacionó negativamente con la puntuación de confianza predicha (pConf). El método proporcionó las mayores ganancias en objetivos difíciles y de baja confianza (pConf < 0.7), donde las mejoras en DockQ alcanzaron hasta el 100% en algunos casos.
• Beneficios del Enfoque de Conjunto: Combinar ESMPair con otras estrategias (por ejemplo, ESMPair + Genoma) aumentó aún más la tasa de éxito al 44.6% (DockQ Mejor Top-5 0.277), y un conjunto de tres estrategias alcanzó una tasa de éxito del 46.8%.
• Estudios de Caso:
  • ESMPair predijo correctamente los sitios de unión y las orientaciones de ligandos para objetivos donde AlphaFold-Multimer falló (por ejemplo, 7VSI, 7AQU).
  • En el caso del heterodímero de filamento intermedio NFM–INA, ESMPair predijo correctamente una estructura de haz de cuatro hélices consistente con la evidencia experimental, mientras que AlphaFold-Multimer predijo bobinas separadas.

Significado y Afirmaciones

El artículo afirma que ESMPair aborda efectivamente el cuello de botella del emparejamiento de MSA en la predicción de heterodímeros aprovechando la rica información de coevolución codificada en los Modelos de Lenguaje de Proteínas.

• Generalizabilidad: El método se describe como un algoritmo general y automático que no depende de heurísticas específicas del dominio (como la ubicación del operón), lo que lo hace robusto a través de diferentes dominios taxonómicos, particularmente donde los métodos tradicionales fallan (Eucariotas).
• Complementariedad: El trabajo destaca que diferentes estrategias de emparejamiento capturan señales diferentes; por lo tanto, un enfoque de conjunto es la forma más efectiva de identificar interólogos.
• Impacto: Al mejorar la calidad de las MSA de entrada, ESMPair mejora significativamente la precisión de modelos de predicción de estructura aguas abajo como AlphaFold-Multimer, particularmente para objetivos desafiantes que actualmente son difíciles de modelar. Los autores señalan que este enfoque tiene implicaciones profundas para aplicaciones biológicas que dependen de predicciones de estructuras de complejos de alta calidad.

La tesis concluye que, aunque ESMPair es un paso significativo hacia adelante, el campo debe continuar explorando formas de aprovechar los PLM para la construcción y selección de MSA, y que estos métodos pueden aplicarse para mejorar otras aplicaciones basadas en MSA en biología estructural.