Efficient exploration of conformational ensembles via protein interaction-informed deep learning

Resumen Técnico: Exploración eficiente de conjuntos conformacionales mediante aprendizaje profundo informado por la interacción de proteínas

Planteamiento del problema
La caracterización precisa de los conjuntos conformacionales de las proteínas es crítica para comprender la función biológica y avanzar en el diseño de fármacos. Aunque las simulaciones de Dinámica Molecular (MD) sirven como el estándar de oro para explorar estos paisajes, resultan computacionalmente prohibitivas para aplicaciones de alto rendimiento o sistemas macromoleculares grandes. La inteligencia artificial (IA) generativa, como los marcos de difusión y de flujo, ofrece una alternativa más rápida. Sin embargo, los métodos existentes suelen tener dificultades con las alucinaciones estructurales, particularmente en regiones flexibles o con poca información, y dependen en gran medida de la expansión de los conjuntos de datos de entrenamiento con estructuras aisladas de cadena única. Los autores postulan que el desacoplamiento artificial de las cadenas proteicas de sus contextos de interacción nativos limita a los modelos a aprender distribuciones estructurales estáticas en lugar de las restricciones físicas subyacentes que gobiernan el cambio conformacional.

Metodología
El estudio introduce DynoM, un marco generativo diseñado para aprovechar las interacciones de complejos proteicos para mejorar la predicción de conjuntos conformacionales monoméricos. La metodología implica una estrategia de entrenamiento de dos etapas:

1. Arquitectura: DynoM utiliza una arquitectura de difusión condicional basada en el tronco libre de plantillas de AlphaFold3 (AF3). Incorpora un módulo de codificación posicional para diferenciar las identidades de las cadenas en entradas de múltiples cadenas. El módulo de difusión emplea transformadores basados en Atención de Punto Invariante (IPA) para reconstruir iterativamente los esqueletos proteicos a partir de ruido aleatorio.
2. Datos de entrenamiento:
   • Preentrenamiento: El modelo fue preentrenado en un conjunto de datos curado de 62,044 estructuras estáticas de complejos proteicos (heterodímeros y complejos antígeno-anticuerpo), que representan solo aproximadamente el 10% del volumen de los datos de monómeros disponibles, pero ofrecen una mayor diversidad de secuencias.
   • Ajuste fino (Fine-tuning): Para abordar las limitaciones de los datos estáticos, los autores generaron un conjunto de datos interno de 5,502 trayectorias de MD de todos los átomos (100 ns cada una) para complejos proteicos utilizando GROMACS. El modelo preentrenado fue ajustado mediante estos datos dinámicos para actuar como un "ancla estructural", corrigiendo movimientos no físicos.
3. Funciones de pérdida: El objetivo de entrenamiento combina la pérdida de coincidencia de puntuación de eliminación de ruido (denoising score-matching loss) con términos auxiliares: error cuadrático medio (MSE) directo en las coordenadas del esqueleto, pérdida de vecindad local en distancias atómicas de pares (≤ 8.5 Å) y una penalización de choque estérico para prevenir superposiciones atómicas no físicas dentro y entre cadenas.
4. Evaluación: El rendimiento se comparó con líneas de base de vanguardia (BioEmu, ConfDiff, AlphaFlow) utilizando un conjunto de prueba independiente de 63 proteínas con diversas longitudes y topologías. Las métricas incluyeron medidas topológicas globales (PwD-JSD, Rg-JSD), consistencia dinámica (TIC-JSD, TIC-RMWD) y flexibilidad a nivel de residuo (rRMSF).

Contribuciones clave

• Aprendizaje informado por la interacción: El artículo demuestra que incorporar una fracción relativamente pequeña (10%) de datos de complejos supera significativamente a los modelos entrenados únicamente con monómeros. Específicamente, complementar los modelos entrenados con monómeros con datos de complejos mejoró el rendimiento en un 6.64% en PwD-JSD y en un 22.87% en Rg-JSD.
• Supresión de alucinaciones estructurales: DynoM captura eficazmente las restricciones físicas de largo alcance inherentes en las interacciones de complejos. Esta capacidad permite al modelo suprimir las alucinaciones estructurales en el posicionamiento interdominio para monómeros multidominio, un desafío donde los modelos previos suelen fallar.
• Prios complementarios: El estudio establece que las estructuras de complejos estáticas proporcionan priors topológicos esenciales, mientras que el ajuste fino por MD proporciona las restricciones dinámicas necesarias para aproximar las distribuciones de equilibrio.
• Eficiencia de datos: DynoM logra un rendimiento superior utilizando significativamente menos datos de entrenamiento (tanto estructuras estáticas como trayectorias de MD) en comparación con las líneas de base existentes.
• Liberación de recursos: Los autores proporcionan a la comunidad de investigación un nuevo conjunto de datos de 5,502 trayectorias de MD de complejos proteicos y el código fuente de DynoM.

Resultados

• Rendimiento de referencia: En el conjunto de prueba de 63 proteínas, DynoM superó a BioEmu, ConfDiff y AlphaFlow en todas las métricas de equilibrio (P < 0.05). Logró los valores más bajos de TIC-JSD y TIC-RMWD, lo que indica una cobertura superior del espacio conformacional accesible minimizando la generación de estados no físicos.
• Precisión multidominio: Para proteínas multidominio, DynoM demostró una alta consistencia en el posicionamiento interdominio, reduciendo significativamente las desviaciones en las distancias par Cα-Cα fuera de la diagonal en comparación con las líneas de base.
• Diversidad conformacional: Los análisis de proteínas con cambios estructurales locales, transiciones apo-holo y movimientos de cuerpo rígido de dominios mostraron que DynoM podía muestrear con éxito paisajes multiconformacionales. Crucialmente, el modelo no sobre-restringió la diversidad conformacional de los estados monoméricos; los conjuntos predichos para antígenos no unidos cubrieron tanto los espacios conformacionales unidos como los no unidos.
• Predicción de complejos: Pruebas preliminares en 20 complejos antígeno-anticuerpo mostraron que DynoM podía distinguir regiones de armazón rígido de las regiones CDR flexibles e identificar conformaciones plausibles en casos donde AlphaFold3 falló, aunque la precisión de la interfaz (iRMSD) sigue siendo una limitación en comparación con AF3.

Significancia y afirmaciones
Los autores afirman que los priors de la interfaz derivados de los complejos proteicos son un "eslabón perdido" indispensable en la predicción actual de conjuntos conformacionales. Al aprovechar estas restricciones físicas, DynoM proporciona una herramienta robusta y eficiente en datos que cierra la brecha entre la necesidad de información dinámica y la carga computacional de las simulaciones de física. El trabajo sugiere que la calidad de los datos (incorporando restricciones de interacción) es más crítica que la mera cantidad de datos. Aunque el modelo actualmente se centra en dímeros y complejos antígeno-anticuerpo y depende de la generación del esqueleto en lugar de la predicción de todos los átomos de extremo a extremo, establece una prueba de concepto para el uso de restricciones derivadas de complejos para mejorar la plausibilidad física del modelado de proteínas. Los autores reconocen limitaciones con respecto al alcance de los datos de entrenamiento (excluyendo ensamblajes multiméricos más grandes) y la necesidad de una mayor optimización de las funciones de pérdida y la predicción a nivel atómico para la dinámica compleja.