Benchmarking antibody-antigen co-folding on human monomeric antigens

En el mundo microscópico del sistema inmunitario humano, los anticuerpos actúan como llaves altamente especializadas, diseñadas para encajar perfectamente en las cerraduras presentadas por virus invasores o proteínas dañinas. Durante décadas, los científicos han soñado con ser capaces de predecir exactamente cómo encajan estas llaves y cerraduras con solo mirar sus planos químicos. Esta capacidad revolucionaría la medicina, permitiendo a los investigadores diseñar nuevos fármacos y vacunas sin necesidad de construir y probar cada una de las versiones en un laboratorio. Sin embargo, esta predicción ha seguido siendo uno de los acertijos más persistentes de la biología. Si bien las computadoras se han vuelto excelentes para adivinar cómo dos proteínas podrían adherirse entre sí, los anticuerpos son un caso especial. A diferencia de la mayoría de las proteínas que evolucionan junto con sus parejas, los anticuerpos evolucionan de forma independiente, lo que significa que carecen de la historia evolutiva compartida que ayuda a las computadoras a realizar conjeturas precisas. Además, la parte del anticuerpo que realmente agarra al objetivo es un bucle flexible y ondulante que cambia de forma constantemente, lo que lo hace increíblemente difícil de modelar con herramientas estándar.

Un equipo de investigadores se propuso medir qué tan lejos ha llegado la última generación de programas informáticos en la resolución de este rompecabezas específico. Reunieron una colección masiva de 412 ejemplos del mundo real de anticuerpos unidos a proteínas humanas, creando un conjunto de prueba riguroso que no había sido visto por los programas informáticos antes de que fueran construidos. Al ejecutar diez métodos de predicción contra estos nuevos datos, descubrieron que el software más reciente ha dado un salto dramático hacia adelante, prediciendo con éxito la forma correcta para aproximadamente la mitad de los casos nuevos y no vistos. Sin embargo, el estudio también reveló que incluso los mejores programas todavía tienen dificultades con las partes más flexibles y que simplemente intentar adivinar más veces no siempre conduce a una mejor respuesta. Los investigadores descubrieron que, si pudieran decirle a la computadora exactamente dónde debería tocar el anticuerpo al objetivo, los programas más antiguos podrían alcanzar a los más nuevos, lo que sugiere que el principal obstáculo no es solo la inteligencia del software, sino su capacidad para encontrar el punto de partida correcto en un vasto mar de posibilidades.

Los investigadores comenzaron ensamblando un punto de referencia llamado HuMonoAg-Bench, una biblioteca curada de 412 complejos de anticuerpos que involucran proteínas humanas. Dividieron cuidadosamente esta colección en dos grupos basados en cuándo se descubrieron las estructuras. Un grupo consistía en 278 complejos publicados antes de septiembre de 2021, una fecha que sirve como punto de corte para los datos de entrenamiento de muchas herramientas de predicción modernas. El otro grupo contenía 134 complejos publicados después de esa fecha, asegurando que los programas informáticos nunca hubieran visto estas formas específicas antes. Para hacer la prueba aún más precisa, dividieron el nuevo grupo en aquellos que involucraban antígenos muy similares a los antiguos y aquellos que eran completamente novedosos. Esta configuración les permitió probar si las computadoras estaban simplemente memorizando ejemplos viejos o aprendiendo verdaderamente cómo predecir nuevas interacciones. Luego, ejecutaron diez protocolos de co-plegamiento diferentes —métodos que simulan cómo se pliegan dos proteínas juntas— contra este conjunto de datos, comparando los resultados con las estructuras experimentales reales para ver qué tan cerca estaban las predicciones.

Los resultados mostraron una mejora clara y significativa en los métodos más nuevos en comparación con los anteriores. Al predecir las estructuras de los nuevos complejos no vistos, el software más antiguo logró encontrar una forma correcta o casi correcta en solo alrededor del 16 al 22 por ciento de los casos. En contraste, los métodos más avanzados, como Protenix v2, IntelliFold-2 y ESMFold2, tuvieron éxito en encontrar un modelo de calidad media o superior para aproximadamente el 33 al 52 por ciento de esos mismos casos. El mejor ejecutor, Protenix v2, logró una tasa de éxito del 52 por ciento para anticuerpos estándar y un 82 por ciento incluso mayor para un tipo específico de anticuerpo de dominio único cuando el antígeno era familiar. A pesar de este progreso, el estudio enfatizó que casi la mitad de los nuevos objetivos permanecían sin resolver, indicando que, si bien el campo ha avanzado rápidamente, una gran fracción de las interacciones de anticuerpos sigue estando fuera del alcance de la tecnología actual. Los investigadores señalaron que esta mejora no se debió simplemente a que los programas más nuevos hubieran visto más datos, ya que compartían puntos de corte de entrenamiento similares, sino que se debió a mejoras fundamentales en cómo modelan las formas complejas.

Un análisis más profundo de por qué algunas predicciones tuvieron éxito y otras fallaron apuntó a una característica estructural específica: el bucle CDRH3. Este es una estructura flexible, similar a una horquilla, en el anticuerpo que actúa como el principal punto de contacto con el objetivo. El estudio encontró que la precisión de este único bucle era el indicador más fuerte de si una predicción sería exitosa. Mientras que las computadoras eran generalmente buenas modelando las partes rígidas del antígeno y los otros bucles más estables del anticuerpo, el bucle CDRH3 seguía siendo el componente más difícil de lograr, especialmente cuando era largo. Los métodos más nuevos mostraron una mejora marcada en el modelado de este bucle específico, lo que se correlacionaba directamente con sus mayores tasas de éxito general. Sin embargo, incluso cuando la estructura local del bucle se modelaba bien, esto no garantizaba que todo el anticuerpo estuviera posicionado correctamente con respecto al objetivo, demostrando que hacer bien las piezas no es lo mismo que ensamblar el rompecabezas completo correctamente.

Los investigadores también probaron qué pasaría si le dieran a los programas informáticos una pista sobre dónde debería unirse el anticuerpo. En un escenario del mundo real, los científicos podrían conocer algunos puntos clave en la proteína objetivo donde un anticuerpo se une, pero no conocen la forma exacta del anticuerpo. Al suministrar esta información limitada como una restricción, los métodos más antiguos vieron cómo sus tasas de éxito aumentaban entre 20 y 30 puntos porcentuales, elevándolos al nivel de los métodos no restringidos más fuertes. Este hallazgo sugiere que la limitación principal del software más antiguo no era la falta de comprensión de la física, sino la incapacidad de encontrar el modo de unión correcto entre miles de millones de posibilidades. Cuando el espacio de búsqueda se redujo mediante una pista, los programas más antiguos pudieron encontrar la solución. Sin embargo, este beneficio dependía fuertemente de la precisión de la pista; si la información proporcionada era solo parcialmente correcta, la mejora desaparecía.

Finalmente, el equipo investigó si ejecutar las simulaciones más veces resolvería los problemas restantes. Encontraron que, para los métodos no restringidos, el problema principal era la falla de muestreo: la forma correcta simplemente nunca aparecía en el conjunto de modelos generados. Cuando aumentaron el número de ejecuciones de la simulación, sí encontraron más formas correctas, pero también descubrieron que el sistema de clasificación de la computadora a menudo fallaba al elegir la mejor respuesta como la principal. Esto creó un nuevo cuello de botella: incluso cuando la respuesta correcta era generada, el software no siempre la reconocía como la mejor opción. El estudio concluyó que, si bien aumentar el número de intentos ayuda, la capacidad de clasificar y seleccionar correctamente el mejor modelo es volviéndose tan importante como la capacidad de generarlos. Los casos no resueltos restantes eran una mezcla diversa de objetivos difíciles sin un rasgo común único, lo que sugiere que el camino a seguir requiere resolver múltiples tipos de desafíos en lugar de arreglar un solo problema específico.