💻 bioinformática

ConforFlux: Particle-Guided Trunk Repulsion for Diverse Protein Conformations

ConforFlux es un procedimiento de inferencia que mejora la diversidad del muestreo de conformaciones de proteínas en modelos de aprendizaje profundo como Boltz-2 mediante la introducción de un mecanismo de repulsión guiado por partículas en los embeddings del tronco, mejorando significamente el descubrimiento de múltiples estados sin requerir el reentrenamiento del modelo.

Autores originales: Suzuki, S., Amagasa, T.

Publicado 2026-10-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Suzuki, S., Amagasa, T.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Las proteínas son las máquinas de trabajo de la vida, diminutas máquinas moleculares que se pliegan en intrincadas formas tridimensionales para realizar tareas como digerir alimentos, enviar señales nerviosas o construir células. Durante décadas, los científicos creyeron que para entender cómo funciona una proteína, solo era necesario ver su forma final y de reposo, de forma muy parecida a tomar una única fotografía de una persona para comprender su personalidad. Sin embargo, la biología rara vez es estática. Las proteínas son dinámicas; respiran, se retuercen y cambian entre diferentes formas para funcionar. Una enzima puede necesitar abrir un bolsillo para atrapar una molécula, y un transportador puede necesitar girar de estar orientado hacia el interior de la célula a estar orientado hacia el exterior para mover sustancias a través de una barrera. Estas diferentes formas, o conformaciones, suelen ser tan importantes como la estructura misma, pero capturarlas en un laboratorio es difícil, costoso y, a menudo, incompleto.

En años recientes, la inteligencia artificial ha revolucionado la capacidad de predecir estas formas proteicas, alcanzando una precisión que rivaliza con los experimentos de laboratorio. No obstante, ha surgido una limitación significativa: cuando se les pide a estos poderosos modelos computacionales que predigan una estructura, tienden a producir la misma respuesta una y otra vez, centrándose en la forma única más probable e ignorando las otras formas válidas que la proteína podría tomar. Esto es como una cámara que solo toma fotos de una persona de pie, sin capturar nunca al sujeto caminando, sentado o saludando, a pesar de que esos movimientos son esenciales para saber quién es. Los investigadores han buscado durante mucho tiempo una forma de obligar a estos modelos a explorar todo el rango de movimientos de una proteína sin necesidad de reentrenar los sistemas masivos y complejos desde cero.

Un equipo de investigadores de la Universidad de Tsukuba ha desarrollado un nuevo método llamado ConforFlux para resolver este problema. En lugar de intentar enseñar nuevas cosas al modelo de IA o cambiar su código interno, introdujeron una regla simple pero ingeniosa que guía el pensamiento de la computadora mientras está trabajando. Imagine que la computadora ejecuta varias simulaciones diferentes de la misma proteína al mismo tiempo. En el enfoque estándar, cada simulación se ejecuta de forma independiente, aterrizando a menudo en la misma forma final. El nuevo método conecta estas simulaciones paralelas, permitiéndoles "hablar" entre sí. Si dos simulaciones comienzan a producir estructuras que se ven demasiado similares, el sistema las empuja suavemente para separarlas, alentando a cada una a explorar un camino diferente. Esta repulsión no se aplica a la forma 3D final, sino a las representaciones matemáticas internas que el modelo utiliza para comprender la secuencia de la proteína. Al dar estos pequeños empujones a las visiones internas, el método asegura que las estructuras predichas finales sean diversas, cubriendo un rango más amplio de los posibles movimientos de la proteína sin alterar nunca el entrenamiento original del modelo.

Los investigadores probaron este enfoque en una gran variedad de proteínas conocidas por cambiar de forma, incluyendo aquellas que actúan como puertas en las membranas celulares y enzimas que cambian entre diferentes estados funcionales. Compararon el nuevo método contra la forma estándar de usar el modelo de IA, así como contra otras técnicas existentes que intentan forzar la diversidad. Los resultados fueron claros: el nuevo método descubrió con éxito formas alternativas que el modelo estándar pasó por alto por completo. En pruebas que involucraron transportadores de membrana, los cuales ciclan entre estados orientados hacia el interior y hacia el exterior, el nuevo método mejoró la tasa de éxito de encontrar ambos estados hasta en 17 puntos porcentuales. Fue particularmente efectivo al encontrar los estados "ocultos" de proteínas que son difíciles de capturar, como aquellas con bolsillos temporales que se abren solo brevemente. En un caso específico relacionado con el transportador de dopamina humano, una proteína crítica para la función cerebral, el método estándar falló en encontrar la forma orientada hacia el interior en 500 intentos, mientras que el nuevo método la encontró docenas de veces.

El estudio también analizó qué tan bien funcionaba esta técnica en otros modelos de IA líderes, no solo en el que fue diseñada. El método demostró ser versátil, mejorando la diversidad de las predicciones en otros dos grandes sistemas de predicción de proteínas también. Esto sugiere que la estrategia de guiar las representaciones internas del modelo es una solución general que puede aplicarse en distintas plataformas. Los investigadores señalaron un compromiso: el nuevo método a veces producía estructuras con imperfecciones geométricas menores, como átomos que estaban ligeramente demasiado cerca unos de otros, pero estas eran manejables y no oscurecían el beneficio principal de encontrar las formas correctas. Crucialmente, el método funcionó incluso en proteínas cuyas estructuras fueron descubiertas después de que los modelos de IA fueran entrenados originalmente, demostrando que podía acceder a realidades biológicas que los modelos nunca habían visto antes.

Al permitir que estas poderosas herramientas de IA explore la gama completa de la vida de una proteína, en lugar de solo su pose más común, este trabajo abre nuevas puertas para comprender cómo funcionan las máquinas biológicas. Proporciona una forma de generar una biblioteca de posibles formas para una sola proteína, dando a los científicos una imagen más completa de cómo estas moléculas se mueven e interactúan. Esto no es solo una mejora técnica en la informática; es un paso hacia la comprensión de la naturaleza dinámica de la vida misma, demostrando que incluso la inteligencia artificial más avanzada puede ser guiada para ver el mundo en movimiento, no solo en quietud.

Resumen Técnico: ConforFlux

Planteamiento del Problema

Los modelos de aprendizaje profundo para la predicción de la estructura de proteínas, como AlphaFold 3 y Boltz-2, han alcanzado una precisión cercana a la experimental para pliegues proteicos individuales. Sin embargo, una limitación crítica persiste: sus procesos de inferencia por defecto producen muestras que se concentran alrededor de una única conformación dominante. Este comportamiento no logra capturar la diversidad conformacional esencial para la función proteica, como las transiciones entre estados catalíticos en enzimas, los ciclos de entrada/salida en transportadores de membrana o la exposición transitoria de bolsillos de unión crípticos. Si bien la resolución experimental de estos estados alternativos es costosa y a menudo incompleta, los enfoques computacionales existentes para ampliar la cobertura conformacional —como la perturbación de Alineamientos Múltiples de Secuencias (MSA), la modificación de representaciones internas o el entrenamiento de generadores de conjuntos separados— a menudo requieren un entrenamiento adicional, restricciones experimentales específicas o producen resultados inconsistentes entre diferentes arquitecturas de modelos.

Metodología: ConforFlux

Los autores presentan ConforFlux, un procedimiento de inferencia diseñado para diversificar el muestreo sin reentrenar el modelo subyacente ni alterar sus pesos. El método se basa en la observación de que en modelos como Boltz-2, OpenFold3 y Protenix, un "tronco" (que comprende un módulo MSA y un stack de Pairformer) genera representaciones simples ( $\bar{s}$ ) y de pares ( $\bar{z}$ ) que condicionan un módulo de difusión separado. Estas representaciones se computan una vez por cada iteración de reciclaje e influyen en cada paso de eliminación de ruido subsiguiente.

ConforFlux acopla trayectorias de muestreo paralelas aplicando un gradiente de repulsión de C $\alpha$ -RMSD por pares directamente a las representaciones de los embeddings del tronco. El procedimiento opera de la siguiente manera:

Trayectorias Paralelas: Se inicializan $M$ partículas (trayectorias de muestreo). Cada partícula recibe una copia de las representaciones de salida del tronco $(s^{(m)}, z^{(m)})$ .
Eliminación de Ruido y Repulsión: En intervalos específicos durante el proceso de difusión inversa, el módulo de difusión genera estructuras candidatas $\hat{x}^{(m)}_0$ para cada partícula.
Objetivo por Pares: Se calcula una pérdida de repulsión por pares $L$ basada en el C $\alpha$ -RMSD entre todos los pares de estructuras decodificadas. La pérdida utiliza un kernel de Función de Base Radial (RBF):
$L_{ij} = \exp\left(-\frac{d_{ij}^2}{2\sigma^2}\right)$
donde $d_{ij}$ es el RMSD alineado mediante Kabsch entre las partículas $i$ y $j$ , y $\sigma$ es un parámetro de ancho de banda.
Descenso a Nivel de Tronco: La pérdida $L$ se propaga hacia atrás para actualizar los embeddings del tronco $(s^{(m)}, z^{(m)})$ para cada partícula. El paso de actualización emplea un descenso normalizado por RMS con un factor de escala adaptativo $\lambda_t$ que tiene en cuenta tanto la repulsión máxima por pares como el nivel actual de ruido del esquema de difusión.
Re-condicionamiento: Los embeddings actualizados se utilizan para recomputar las señales de condicionamiento (escala-desplazamiento AdaLN y sesgo de atención de pares) para el módulo de difusión, dirigiendo efectivamente los pasos de eliminación de ruido subsiguientes hacia conformaciones distintas.

Este enfoque adapta la Guía de Partículas (Corso et al., 2024) a las representaciones de condicionamiento del modelo de difusión, lo que no requiere entrenamiento adicional ni restricciones experimentales del estado objetivo.

Contribuciones Clave

El artículo realiza tres contribuciones principales:

Método: Un procedimiento de guía de partículas a nivel de tronco para Boltz-2 (aplicable también a OpenFold3 y Protenix) que diversifica el muestreo acoplando las trayectorias a través de sus representaciones de condicionamiento. No requiere reentrenamiento del modelo.
Comparación de Benchmarks: Una evaluación controlada frente a nueve líneas de base (incluyendo perturbaciones de MSA, guía a nivel de coordenadas y generadores de conjuntos entrenados) a través de cuatro categorías de cambio conformacional: movimiento de dominios, ciclos de transportadores de membrana, formación de bolsillos crípticos y cambio de plegamiento (fold switching).
Evaluación Post-Cutoff: Una evaluación de la capacidad del método para recuperar estructuras de referencia liberadas después de los puntos de corte (cutoffs) de entrenamiento de los modelos, demostrando la generalización a datos no vistos.

Resultados

La evaluación se realizó sobre un benchmark combinado de 121 pares de categorías objetivo, incluyendo un conjunto ampliado de transportadores de membrana.

Mejora de la Cobertura: ConforFlux mejora significativamente la tasa de éxito por estado (fracción de estados de referencia alcanzados dentro de umbrales específicos de RMSD) en comparación con el Boltz-2 por defecto. Las mejoras oscilaron entre 3 y 17 puntos porcentuales entre las categorías.
- En transportadores de membrana, ConforFlux logró las mayores ganancias, alcanzando 28 estados de referencia que el muestreo por defecto no detectaba.
- En bolsillos crípticos, ConforFlux alcanzó las tasas de éxito más altas entre todos los métodos.
- En cambio de plegamiento, las ganancias fueron modestas pero consistentes con otras líneas de base de inferencia.
Recuperación de Doble Estado: La métrica RC50 (fracción de objetivos donde ambos estados de referencia se alcanzan dentro de la mitad de su RMSD inter-referencia) mejoró en todas las categorías. Por ejemplo, en la categoría de transportadores, el RC50 aumentó de 0.34 (por defecto) a 0.60 (ConforFlux).
Generalización: El método se transfirió con éxito a OpenFold3 y Protenix, mostrando mejoras consistentes en la tasa de éxito por estado y en el RC50 en estas arquitecturas.
Rendimiento Post-Cutoff: En objetivos con estructuras de referencia liberadas después de los puntos de corte de entrenamiento de los modelos, ConforFlux mejoró la recuperación de ambos estados para los tres modelos. Por ejemplo, en el transportador de dopamina humana (DAT), un objetivo post-cutoff, ConforFlux muestreó conformaciones hacia adentro que estaban ausentes en 500 muestras por defecto.
Compromisos (Trade-offs): El aumento de la cobertura conlleva un compromiso en la calidad estructural. Las muestras de ConforFlux exhiben puntuaciones de choque (clashscores) de MolProbity más altas y una fracción ligeramente mayor de muestras con distancias de C $\alpha$ consecutivas anormales en comparación con el muestreo por defecto. Sin embargo, estos valores siguen siendo comparables o mejores que otros métodos de intervención como CF-random.

Significancia y Reivindicaciones

El artículo sostiene que ConforFlux proporciona un mecanismo estructurado y libre de entrenamiento para acceder a conformaciones proteicas alternativas mediante el aprovechamiento del acoplamiento de las trayectorias de muestreo al nivel de las representaciones de condicionamiento del modelo.

Perspectiva Mecanística: El estudio demuestra que las representaciones del "tronco" son sitios de guía efectivos. Al actualizar estos embeddings mediante la retropropagación de una repulsión por pares, el modelo es dirigido lejos de un modo dominante único sin necesidad de especificar un estado objetivo o reentrenar la red.
Líneas de Base Controladas: Los autores muestran que los controles de ruido emparejado (actualizaciones isotrópicas sin repulsión) no logran reproducir las ganancias de cobertura, confirmando que la dirección de la repulsión es crítica. Además, la guía a nivel de coordenadas (aplicar la repulsión directamente a los átomos) produce menores ratios de llenado y más valores atípicos geométricos que la guía a nivel de tronco, lo que sugiere que guiar el espacio latente de condicionamiento es más efectivo para mantener la integridad estructural mientras se diversifican las muestras.
Utilidad Práctica: El método permite el descubrimiento de estados funcionalmente relevantes (por ejemplo, transportadores con orientación hacia adentro, bolsillos crípticos abiertos) que se pierden en el muestreo estándar, ofreciendo una herramienta computacionalmente eficiente para estudios mecánicos y diseño basado en estructuras sin la sobrecarga de entrenar nuevos generadores de conjuntos.

Los autores mantienen la modestia respecto a las capacidades de cambio de plegamiento, señalando que las ganancias en esta categoría son limitadas, probablemente debido a la dificultad inherente de predecir reordenamientos estructurales a gran escala. También advierten que las frecuencias de estado bajo repulsión no deben interpretarse como poblaciones de equilibrio, ya que el método prioriza la diversidad sobre la exactitud termodinámica.