Bayesian Learning of Distance Metrics Beyond RMSD for Biomolecule Alignment, Clustering, and Domain Identification

Resumen Técnico: Aprendizaje Bayesiano de Métricas de Distancia más allá del RMSD para el Alineamiento, Agrupamiento e Identificación de Dominios de Biomoléculas

Planteamiento del Problema
La desviación de la raíz cuadrática media (RMSD) es la métrica estándar para cuantificar la similitud estructural en simulaciones de dinámica molecular (MD). Sin embargo, el RMSD convencional asigna un peso igual a todos los átomos en un conjunto preseleccionado (por ejemplo, átomos C$\alpha$), independientemente de su movilidad. Esta ponderación uniforme provoca que los bucles flexibles, los extremos desordenados y los conectores móviles dominen la métrica global, ocultando a menudo los estados conformacionales del núcleo funcional rígido. Aunque existen soluciones alternativas —como la selección manual de átomos o la exclusión iterativa de valores atípicos—, estas dependen del usuario, son difíciles de generalizar y comprometen la reproducibilidad en campañas de simulación automatizadas. Los métodos existentes basados en conjuntos que capturan la dinámica específica de la trayectoria tratan la el cálculo de los pesos y la superposición de coordenadas como operaciones desacopladas y secuenciales, lo que deja interrogantes sobre la consistencia matemática entre los pesos y la estructura promedio resultante.

Metodología
Los autores presentan el RMSD de Bayes óptimo (BRMSD), un marco que unifica el alineamiento estructural y la optimización del peso atómico en un único funcional de energía libre derivado de un posterior bayesiano.

• Formulación Bayesiana: El método asume una distribución previa para los pesos atómicos y una función de verosimilitud basada en la desviación media cuadrática (MSD) ponderada entre las estructuras y una referencia. El free energy efectivo $G$ a minimizar combina la MSD agregada con un término de divergencia de Kullback–Leibler (KL) que penaliza las desviaciones de una distribución de peso uniforme previa.
  $$G = \sum_i \text{MSD}(x_i, s; w) + M\sigma^2 \sum_\alpha w_\alpha \ln \frac{w_\alpha}{W_\alpha}$$
  Aquí, $s$ es la estructura de referencia, $w$ es el vector de pesos atómicos y $\sigma$ es un parámetro de fluctuación de posición (en Å). El parámetro $\sigma$ controla el compromiso: un $\sigma$ grande recupera el RMSD clásico (pesos uniformes), mientras que un $\sigma$ pequeño concentra los pesos en los átomos más rígidos.
• Optimización: La minimización de $G$ produce una iteración de punto fijo donde los pesos se actualizan basándose en la fluctuación media cuadrática (MSF) por átomo relativa a la estructura promedio actual. Los átomos cuyas fluctuaciones exceden $\sigma^2$ son suprimidos exponencialmente, mientras que los átomos rígidos retienen pesos casi uniformes.
• Extensiones Modulares: El funcional central se adapta para cinco módulos de análisis distintos:
  1. Alineamiento Estructural: Encuentra una estructura promedio global y los pesos óptimos.
  2. Alineamiento Enfocado: Introduce una penalización de concentración para sesgar los pesos hacia un dominio $D$ especificado por el usuario, incluyendo simultáneamente el resto de la estructura.
  3. Suavizado de Trayectoria: Reemplaza el promedio global por un promedio local de ventana para suprimir el ruido térmico de alta frecuencia preservando las dinámicas conformacionales lentas.
  4. Agrupamiento Conformacional: Extiende el marco al agrupamiento (clustering) de K-means suave, donde cada grupo posee su propio centro y un vector de peso atómico específico, adaptando la métrica a la rigidez interna de cada estado.
  5. Identificación de Dominios Rígidos: Particiona los átomos en dominios mediante un pelado secuencial, identificando subestructuras rígidas en orden de rigidez global decreciente.

Resultados Clave
El marco BRMSD fue evaluado mediante benchmarks en dos sistemas: la proteína asociada al translocón SND3 y la adenilato quinasa (ADK).

• SND3 (Alineamiento y Suavizado):
  • Alineamiento: Con un $\sigma$ óptimo de 0.43 Å, el BRMSD identificó automáticamente la hendidura transmembrana (TM) como el núcleo estructural dominante, suprimiendo los pesos de las garras citosólicas móviles. El BRMSD resultante (0.50 ± 0.08 Å) fue aproximadamente tres veces menor que el RMSD estándar (1.64 ± 0.25 Å).
  • Alineamiento Enfocado: Al sesgar la optimización hacia la hélice TMD-1 (que es menos rígida que el núcleo), el método recuperó su dinámica interna, reduciendo su RMSF media en un 24% en comparación con el alineamiento global.
  • Suavizado: La aplicación de una ventana triangular de 4.0 ns redujo la varianza de la trayectoria en aproximadamente un 73%, manteniendo los movimientos colectivos lentos.
• ADK (Agrupamiento e Identificación de Dominios):
  • Agrupamiento: El agrupamiento de K-means suave separó con éxito los estados conformacionales abierto y cerrado de la ADK. Los centros de los grupos se alinearon con los parámetros de orden conocidos (distancias NMPbind–LID y LID–CORE). Crucialmente, los pesos específicos de cada grupo permitieron que la métrica se enfocara en los dominios móviles que distinguen los estados, proporcionando una separación más limpia que los parámetros de orden puramente geométricos.
  • Identificación de Dominios: El pelado secuencial recuperó con éxito los tres dominios rígidos conocidos (CORE, LID, NMPbind) en orden de rigidez decreciente, logrando índices de Jaccard de 0.94, 0.99 y 1.00, respectivamente. La optimización simultánea de múltiples dominios falló, ya que todos los vectores de peso colapsaron en la región globalmente más rígida (CORE), lo que resalta la necesidad del enfoque de pelado secuencial.

Significancia y Reivindicaciones
El artículo afirma que el BRMSD proporciona un marco unificado, reproducible y automatizado para tareas de análisis estructural que tradicionalmente requieren intervención manual. Al derivar los pesos de un posterior bayesiano, el método elimina la necesidad de reglas de selección de átomos ad hoc.

• Automatización: El marco automatiza la asignación de pesos atómicos basándose en la MSF por átomo, permitiendo la identificación automática de núcleos rígidos y regiones flexibles sin sesgo del usuario.
• Flexibilidad: Un único parámetro ($\sigma$) controla la transición del RMSD estándar hacia un enfoque en subestructuras rígidas, adaptable a diferentes módulos (alineamiento, agrupamiento, detección de dominios).
• Robustez: Se demuestra que los pesos convergidos son invariantes al número de fotogramas (una vez que las estimaciones de MSF convergen) y al subconjunto específico de átomos seleccionados, siempre que el núcleo rígido permanezca incluido.

Limitaciones Reconocidas
Los autores señalan modestamente algunas limitaciones actuales:

1. El $\sigma$ óptimo depende de la tarea y del sistema, careciendo de una regla universal única para su selección.
2. La selección de parámetros para el agrupamiento e identificación de dominios depende actualmente de índices de calidad (por ejemplo, Calinski–Harabasz, Jaccard) que requieren etiquetas de verdad fundamental; un selector totalmente libre de etiquetas sigue siendo un problema abierto.
3. La implementación actual es exclusivamente para CPU.
4. Se ha derivado, pero aún no se ha implementado, una extensión propuesta para una métrica tipo Mahalanobis para fluctuaciones anisotrópicas.

Los autores concluyen que el BRMSD sirve como base para desarrollos futuros, incluyendo la aceleración por GPU, la selección de parámetros libre de etiquetas y el uso de pesos convergidos como máscaras para el análisis de componentes independientes de tiempo retardado (TICA) o como objetivos de entrenamiento para redes neuronales.