Expanding Protein Structure Prediction into Conformational State Space

Resumen Técnico: Expansión de la Predicción de la Estructura de Proteínas hacia el Espacio de Estados Conformacionales

Planteamiento del Problema
Si bien los avances recientes en aprendizaje profundo (DL) han resuelto en gran medida el problema de predecir una única conformación dominante de una proteína a partir de su secuencia con una precisión cercana a la experimental, este "paradigma de estructura única" es insuficiente para comprender el alcance completo de la función proteica. La mayoría de las proteínas operan como sistemas dinámicos que pueblan conjuntos de estados conformacionales interconvirtibles, donde la actividad biológica a menudo emerge de cambios en la ocupación relativa de estos estados, más que de un modelo de coordenadas estático. Los predictores actuales no logran capturar:

1. Paisajes de múltiples pozos (multi-basin landscapes): Sistemas con múltiples estados metaestables (por ejemplo, movimientos de dominios en la adenilato quinasa o cambios de cuerpo rígido en transportadores).
2. Estados raros/de baja ocupación: Estados excitados funcionalmente críticos, como los bolsillos crípticos, que son transitorios y a menudo invisibles para las estructuras del estado fundamental.
3. Pliegues topológicamente distintos: Proteínas de "cambio de plegado" (fold-switching) o metamórficas donde una sola secuencia codifica múltiples estructuras estables y topológicamente distintas.
4. Dependencia del contexto: La incapacidad de los modelos basados solo en secuencias para dar cuenta de los reguladores ambientales (iones, pH, ligandos, modificaciones postraduccionales) que remodelan los equilibrios conformacionales.

La limitación central es que los datos de entrenamiento actuales (PDB) y los objetivos de los modelos están sesgados hacia conformaciones estabilizadas y dominantes, tratando los estados alternativos como ruido en lugar de necesidades funcionales.

Metodología y Revisión de Enfoques Actuales
El artículo revisa el panorama actual de las estrategias computacionales, categorizándolas según su capacidad para recuperar componentes del espacio de estados conformacionales:

• Muestreo de Estados Alternativos: Métodos que perturban los predictores basados en secuencias (por ejemplo, AlphaFold2/3) para generar conformaciones candidatas. Las técnicas incluyen el submuestreo estocástico de MSA, el enmascaramiento de perfiles de conservación y el agrupamiento por frustración energética local. Aunque son efectivos para generar hipótesis sobre estados no dominantes (por ejemplo, CF-random, AFSample2), estos métodos no estiman inherentemente las poblaciones termodinámicas ni la accesibilidad cinética.
• Refinamiento Energético:
  • Basado en física: La Dinámica Molecular (MD) y el muestreo mejorado (por ejemplo, intercambio de réplicas, MD dirigida) siguen siendo el estándar de oro para estimar paisajes de energía libre y rutas de transición. Sin embargo, son computacionalmente costosos y dependen fuertemente de la precisión de la estructura inicial.
  • Aproximaciones de Aprendizaje Profundo (DL): Nuevos modelos como BioEmu y Distributional Graphormer intentan aprender distribuciones de equilibrio directamente de los datos, combinando predicciones de DL con trayectorias de MD y mediciones de estabilidad experimental para aproximar conjuntos ponderados por Boltzmann.
  • Híbridos DL-MD: Marcos de trabajo como AF2-RAVE utilizan estructuras generadas por DL como semillas para simulaciones de MD cortas y no sesgadas, seguidas de un muestreo mejorado para estimar poblaciones de estados y energías libres.
• Predicción Sensible al Contexto: Los modelos actuales de "co-plegado" (por ejemplo, AlphaFold3, RoseTTAFold All-Atom) infieren conjuntamente las estructuras de proteínas con ligandos, iones y ácidos nucleicos. Si bien capturan algunos estados dependientes del contexto, a menudo fallan en predecir cómo las perturbaciones (mutaciones, cambios de pH) remodelan el paisaje, permaneciendo fuertemente influenciados por los sesgos del conjunto de entrenamiento.
• Integración Experimental: Las técnicas sensibles al conjunto (NMR, HDX-MS, SAXS, DEER) son esenciales para validar los paisajes computacionales. Métodos como DEERFold y AlphaLink2 integran restricciones experimentales dispersas para constreñir el muestreo hacia conjuntos biológicamente relevantes.

Contribuciones Clave y Hoja de Ruta
El artículo no presenta un nuevo algoritmo único, sino que propone una reformulación conceptual del problema de la predicción de la estructura de proteínas. Los autores abogan por cambiar el objetivo de recuperar las coordenadas de una sola conformación a la inferencia de un espacio de estados conformacionales. Esto implica predecir:

• El conjunto de estados accesibles.
• Sus poblaciones relativas (relaciones energéticas).
• Las rutas cinéticas que los conectan.
• Su dependencia del contexto biológico (ligandos, pH, mutaciones, splicing).

Los autores esbozan una hoja de ruta (Figura 4) que consta de seis componentes interconectados necesarios para lograrlo:

1. Datos de Entrenamiento: Curación de estructuras de múltiples estados bajo diversas condiciones contextuales.
2. Benchmarks de Paisaje: Desarrollo de pruebas cuantitativas para la recuperación de pozos y estados.
3. Objetivo de Predicción: Reformular los resultados del modelo como conjuntos calibrados en lugar de coordenadas únicas.
4. Modelado Basado en Física: Integración de la estimación de energía libre ($\Delta G$) y las tasas de transición ($\Delta G^\ddagger$).
5. Modelado de Perturbaciones: Predecir cómo las mutaciones y los cambios ambientales remodelan el paisaje.
6. Retroalimentación Experimental: Uso de datos empíricos para validar e informar el ciclo de entrenamiento.

Resultados y Reivindicaciones
El artículo sintetiza la evidencia de la literatura existente para demostrar que:

• Los modelos de estructura única son insuficientes: Proteínas homólogas con alta identidad de secuencia pueden adoptar pliegues distintos (por ejemplo, isoformas de BCCIP), y los modelos actuales a menudo fallan en predecirlos debido a los sesgos de entrenamiento.
• La función depende de la dinámica: Los mecanismos biológicos (por ejemplo, inhibición de KRAS mediante bolsillos crípticos, cambio de plegado en F7 pyocin) dependen de la población de estados específicos, no solo de la existencia de una estructura.
• Las métricas actuales están desalineadas: Métricas estándar como pLDDT y TM-score miden la consistencia geométrica con los priors de entrenamiento, no la estabilidad termodinámica o la accesibilidad cinética.
• Los enfoques híbridos están emergiendo: Aunque ningún método actual recupera el completo paisaje biológico, los métodos híbridos DL-MD y los predictores condicionados al contexto representan el camino más prometedor.

Significancia
El artículo afirma que el próximo gran avance en el campo no se medirá por la mejora en la precisión de las coordenadas (Angstroms), sino en la capacidad de inferir espacios de estados conformacionales y los mecanismos biológicos que estos codifican. Al reformular la predicción como un problema de inferencia de espacio de estados, el campo puede pasar de describir estructuras estáticas a explicar mecanismos dinámicos. Este cambio es crítico para:

• Descubrimiento de Fármacos: Apuntar a bolsillos crípticos y sitios alostéricos que solo son accesibles en estados específicos.
• Diseño de Proteínas: Ingeniería de proteínas con comportos dinámicos específicos y capacidades de conmutación.
• Biología de Sistemas: Comprender cómo las mutaciones y los cambios ambientales alteran la función proteica mediante cambios en los equilibrios conformacionales.

Los autores concluyen que lograr esto requiere un marco unificado que integre el DL generativo, el modelado de energía basado en la física y las restricciones experimentales, yendo más allá del hito de la "estructura única" hacia una comprensión integral de la dinámica de las proteínas.