Neural spectroscopy of AlphaFold2 reveals encoded protein conformational landscapes

Resumen Técnico: Espectroscopía Neural de AlphaFold2

Planteamiento del Problema
AlphaFold2 (AF2) logra una precisión notable en la predicción de estructuras proteicas estáticas, pero la naturaleza de lo que codifican sus 93 millones de parámetros permanece opaca. Aunque el modelo se trata convencionalmente como una herramienta de conversión de secuencia a estructura, no está claro si sus pesos simplemente memorizan un catálogo de plegamientos conocidos o si interiorizan una comprensión más profunda y transferible de la física del plegamiento de proteínas y la organización conformacional. La inferencia estándar produce una única predicción estática, comprimiendo el espacio de representación interna del modelo y ocultando cualquier información codificada sobre la heterogeneidad conformacional, el orden de estabilidad o las vías de plegamiento. El problema central abordado es cómo sondear sistemáticamente los pesos aprendidos del módulo Evoformer para revelar las restricciones estructurales y los paisajes conformacionales que no son visibles durante la inferencia estándar no perturbada.

Metodología: Convolución Gaussiana Escalada (SGC)
Los autores proponen la "espectroscopía neural", un protocolo que implica la perturbación sistemática y determinista de los tensores de pesos aprendidos del Evoformer para caracterizar la codificación interna del modelo. El método central es la Convolución Gaussiana Escalada (SGC), que modifica los tensores de pesos ($W_i$) de los bloques del Evoformer antes de la inferencia utilizando tres parámetros continuos:

1. Factor de Escala ($\lambda$): Atenúa uniformemente la magnitud de los pesos ($\lambda \in (0, 1]$).
2. Ancho Gaussiano ($\sigma$): Aplica una convolución gaussiana para suavizar las características locales de los pesos de grano fino mientras preserva los patrones globales gruesos.
3. Profundidad de Perturbación ($d$): Determina el número de bloques consecutivos del Evoformer (desde el bloque 0 hasta el $d-1$) que son modificados.

La perturbación se aplica in-situ a los parámetros del modelo (usando OpenFold v2.2.0) y es totalmente determinista; los mismos parámetros producen salidas idénticas. Para asegurar que los efectos observados se deban a la estructura específica de la perturbación y no a la mera magnitud, los autores emplean controles de ruido de potencia emparejada:

• Ruido Blanco: Añade ruido gaussiano con la misma energía total que la SGC, pero destruye toda la estructura espectral y de fase.
• Ruido Espectral: Preserva el espectro de potencia de la perturbación SGC pero randomiza la coherencia de fase.

Los experimentos se realizaron en tres sistemas proteicos distintos para sondear diferentes regímenes de representación aprendida:

• Ubiquitina: Una proteína globular bien plegada con extensos datos experimentales (RMN, simulaciones de MD) para validación.
• KaiB: Una proteína de cambio de plegamiento (fold-switching) donde AF2 predice solo el estado activo (estado de cambio de plegamiento).
• $\alpha$-sinucleína: Una proteína intrínsecamente desordenada (IDP) que no posee una única estructura nativa.

Para aislar el efecto de los pesos aprendidos de las restricciones coevolutivas externas, los experimentos utilizaron profundidades de Alineamiento Múltiple de Secuencias (MSA) reducidas ($64 \times 64$), haciendo al modelo más sensible a las perturbaciones de los pesos.

Resultados Clave

1. Paisajes Conformacionales Estructurados:
   La SGC induce una transición estructural sintonizable y graduada en la Ubiquitina. A medida que aumenta la profundidad de la perturbación, el modelo atraviesa un paisaje conformacional continuo en lugar de colapsar aleatoriamente. El paisaje exhibe una topología en forma de "L": un pozo nativo profundo conectado a un conjunto desnaturalizado mediante una bisagra de intermediarios parcialmente desplegados (globulos fundidos). Esta topología refleja el embudo de plegamiento observado en simulaciones de dinámica molecular (MD) de escala de milisegundos, con un traslape territorial del 72.6% en el espacio RMSD–factor Q.

2. Desplegamiento Físicamente Ordenado:
   Bajo una perturbación progresiva, los contactos nativos en la Ubiquitina se rompen en una secuencia específica que coincide con décadas de estudios experimentales de plegamiento. El "núcleo de plegamiento" (Grupo 1) es el más robustamente codificado y persiste por más tiempo, mientras que los contactos de frontera intermedios (Grupo 2) se rompen primero. Este orden es consistente en los cinco modelos AF2 entrenados independientemente y no es reproducido por los controles de ruido, los cuales producen colapsos estocásticos dependientes de la semilla o desechos atomizados.

3. Correlación con la Flexibilidad Física:
   La sensibilidad a la perturbación por residuo (la varianza en las coordenadas predichas a través de las iteraciones de reciclaje bajo perturbación) correlaciona fuertemente con la flexibilidad física medida por el RMSF de MD en equilibrio. Esta correlación persiste incluso después de controlar por la ocultación del residuo (Número de Contacto Ponderado), lo que sugiere que los pesos codifican restricciones a nivel de residuo relacionadas con la flexibilidad, no solo geometría estática.

4. Independencia del Modelo y Convergencia:
   Para la Ubiquitina, los cinco modelos AF2 entrenados independientemente producen la misma topología de paisaje conformacional y fronteras de transición, lo que indica que la codificación es una propiedad de la arquitectura y los datos de entrenamiento, no de una inicialización de pesos específica.

   • KaiB (Ausencia Convergente): Los cinco modelos fallan en acceder al plegamiento del estado fundamental bajo SGC, produciendo solo una vía de desnaturalización unidimensional desde el estado de cambio de plegamiento predicho. Esto sugiere que la vía específica hacia el estado fundamental está ausente del manifold aprendido.
   • $\alpha$-sinucleína (Desacuerdo Estructurado): Los cinco modelos producen cinco paisajes distintos pero internamente coherentes. Aunque discrepan sobre el conjunto conformacional específico (reflejando la naturaleza subdeterminada de las IDP), su conjunto agrupado cubre el núcleo del espacio conformacional muestreado por MD de solvente explícito, sugiriendo un "suelo" compartido de restricciones.

5. Mecanismo de Representación:
   El análisis de la representación de pares ($z_{ij}$) del Evoformer revela que la SGC desplaza las magnitudes de activación de los pares a lo largo de un eje único y de baja dimensión que explica el 97% de la varianza dependiente de la condición, confirmando que la respuesta estructurada surge de una modulación continua y alineada con los pesos de la geometría representacional, y no de un fallo genérico de la red.

Significancia y Reivindicaciones
El artículo sostiene que los pesos de AlphaFold2 codifican una representación de la organización conformacional de las proteínas basada en datos y comprimida, que se extiende más allá de la estructura estática única predicha durante la inferencia estándar. Al tratar los pesos como un objeto científico en lugar de solo una herramienta, los autores demuestran que:

• Propiedades Emergentes: El modelo aprendió a predecir estructuras estáticas, pero la organización conformacional (orden de estabilidad, patrones de flexibilidad, topología del paisaje) emergió como un subproducto de ese objetivo, moldeado por los datos de entrenamiento evolutivos y estructurales.
• Espectroscopía Neural: El enfoque de leer estas restricciones codificadas mediante la perturbación controlada de los pesos se denomina "espectroscopía neural". Permite la caracterización de lo que el modelo "sabe" sobre el plegamiento de proteínas sin requerir un entrenamiento explícito en datos dinámicos o termodinámicos.
• Límites del Aprendizaje: El método revela los límites del manifold aprendido. Donde los datos de entrenamiento son fuertes (Ubiquitina), el paisaje es compartido y físicamente preciso. Donde los datos son ausentes (estado fundamental de KaiB), el manifold muestra una ausencia convergente. Donde los datos son ambiguos (IDPs), el manifold muestra un desacuerdo estructurado, donde el núcleo compartido representa las restricciones codificadas de manera fiable.

Los autores mantienen la modestia respecto a las explicaciones mecanísticas, señalando que, si bien la correspondencia entre la perturbación de los pesos y los procesos físicos es robusta, la teoría formal que conecta la geometría del espacio de pesos con la construcción representacional y la emergencia conformacional aún no se ha establecido. Postulan que la señal reside en las direcciones dominantes de los pesos aprendidos, accesibles a través de una deformación global y continua.