Unlocking hidden biomolecular conformational landscapes in diffusion models at inference time

Résumé Technique : Déverrouiller les paysages conformationnels biomoléculaires cachés dans les modèles de diffusion au moment de l'inférence

Énoncé du problème
La fonction biomoléculaire repose sur la capacité des protéines et d'autres molécules à interconvertir entre une large gamme de structures, ou « conformations ». Bien que les méthodes expérimentales peinent à capturer ces distributions dynamiques par rapport aux structures repliées statiques, les méthodes computationnelles comme la dynamique moléculaire (MD) et l'échantillonnage de Monte Carlo ont été historiquement limitées par la vitesse et la précision. Récemment, les modèles de diffusion par apprentissage automatique (par exemple, AlphaFold 3, Boltz-1) ont révolutionné la prédiction de structures statiques. Cependant, ces modèles produisent souvent des distributions hautement concentrées autour d'une structure statique unique, échouant à échantillonner efficacement les paysages conformationnels plus larges ou les états rares (par exemple, les états non liés de protéines à forte liaison) sans connaissance préalable de degrés de liberté spécifiques. La question centrale abordée est la suivante : Étant donné un modèle de structure génératif pré-entraîné, quelle stratégie doit être déployée au moment de l'inférence pour échantillonner efficacement et précisément son paysage conformationnel ?

Méthodologie : ConforMix
Les auteurs introduisent ConforMix, un algorithme d'inférence conçu pour améliorer l'échantillonnage des modèles de prédiction de structures biomoléculaires basés sur la diffusion sans nécessations de réentraînement de modèle supplémentaire. La méthode combine trois composantes clés :

1. Échantillonnage de diffusion torsadé (Monte Carlo séquentiel) : Au lieu d'un échantillonnage i.i.d. standard ou d'un guidage par classificateur (qui nécessite un réentraînement ou des changements architecturaux), ConforMix emploie l'échantillonnage de diffusion torsadé (Twisted Diffusion Sampling). Cela agit comme un filtre de particules qui utilise des fonctions de guidage indépendantes du temps pour orienter le processus de débruitage vers des régions spécifiques de la distribution de probabilité. Il fournit une garantie asymptotique d'échantillonnage de la véritable distribution conditionnelle cible.
2. Exploration automatisée (ConforMixRMSD) : Pour permettre une exploration non dirigée sans potentiels de biais définis par l'utilisateur, les auteurs proposent ConforMixRMSD. Cette instanciation biaise l'échantillonnage loin de la prédiction par défaut ($x_d$) en utilisant une métrique de déviation quadratique moyenne (RMSD).
   • Elle génère des échantillons à travers une plage de valeurs RMSD cibles (0–20 Å) par rapport à la structure par défaut.
   • Pour éviter l'échantillonnage de fluctuations physiques non plausibles dans les boucles désordonnées, elle applique un « masque d'éléments rigides », calculant le RMSD uniquement sur les éléments de structure secondaire ($\alpha$-hélices et feuillets $\beta$) tout en permettant à tous les atomes de bouger.
   • Une étape de filtrage rejette les échantillons physiquement implausibles (par exemple, ceux présentant des collisions importantes ou un faible pLDDT dans des fenêtres glissantes).
3. Repondération des échantillons et estimation de l'énergie libre : Puisque les échantillons sont tirés de distributions conditionnelles, les auteurs utilisent l'algorithme de la Rapport d'Acceptation de Bennett Multi-état (MBAR) pour repondérer le mélange d'échantillons conditionnels vers la distribution inconditionnelle. Cela permet la reconstruction du paysage d'énergie libre non biaisé et l'estimation des différences d'énergie libre, une capacité auparavant non appliquée aux modèles de diffusion dans ce contexte.

Contributions clés

• Algorithme novateur : L'implémentation d'une approche de Monte Carlo séquentiel torsadé combinée à une exploration de paysage automatisée et un repondérage d'échantillonnage statistiquement optimal (MBAR) pour les modèles de diffusion.
• Amélioration de l'échantillonnage au moment de l'inférence : Démonstration que ConforMix peut être appliqué à des modèles comme Boltz-1 (un modèle de type AlphaFold 3 entraîné uniquement sur des structures statiques) pour générer des conformations réalistes et diverses sans modifier les données d'entrée (par exemple, les alignements de séquences multiples ou MSA) ou nécessiter une connaissance préalable des degrés de liberté.
• Estimation efficace de l'énergie libre : Application de ConforMix à BioEmu (un modèle entraîné pour l'échantillonnage conformationnel) pour accélérer la convergence des estimations d'énergie libre par rapport à l'échantillonnage par défaut.

Résultats
Les auteurs ont évalué ConforMix à travers plusieurs tests de référence :

• Récupération des conformations expérimentales : Sur des ensembles de données impliquant des mouvements de domaines, des transporteurs membranaires, des poches cryptiques et des protéines de commutation de repliement (fold-switching), ConforMixRMSD a surpassé l'échantillonnage par défaut et les bases de comparaison basées sur la modification des MSA (AFCluster, AFSample2, CF-random). Il a récupéré une fraction plus élevée de conformations alternatives observées expérimentalement (par exemple, une couverture de 0,69 pour les mouvements de domaines contre 0,33 pour le Boltz par défaut).
• Pertinence biologique de l'échantillonnage : L'analyse en composantes principales (PCA) a révélé que les échantillons de ConforMixRMSD concentrent la variance le long de chemins de transition biologiquement significatifs (par exemple, le mouvement ouvert-fermé de la protéine de liaison au dipeptide dppA), tandis que les méthodes basées sur les MSA produisaient souvent un bruit structurel diffus et ininterprétable.
• Systèmes multi-chaînes et ARN : La méthode a récupéré avec succès les trois états du transporteur de sucre SemiSWEET (ouvert vers l'intérieur, ouvert vers l'extérieur, occlus) et a récapitulé les transitions observées par MD dans le ribozyme hammerhead, démontrant l'applicabilité au-delà des protéines à chaîne unique.
• Convergence de l'énergie libre : Dans BioEmu, ConforMix a permis une convergence nettement plus rapide des estimations d'énergie libre pour les transitions de dépliement local par rapport à l'échantillonnage non biaisé, atteignant des estimations précises avec moins d'échantillons.

Signification et affirmations
Le papier affirme que ConforMix est orthogonal aux améliorations du pré-entraînement des modèles, ce qui signifie qu'il améliore l'utilité des modèles existants et bénéficierait même à un modèle hypothétique qui reproduirait parfaitement la distribution de Boltzmann. Les auteurs soutiennent que bien que l'échantillonnage parfait de la distribution de Boltzmann soit un objectif à long terme, des algorithmes d'échantillonnage améliorés sont toujours nécessaires pour explorer efficacement les états rares (par exemple, les structures non liées avec des probabilités aussi basses que $10^{-14}$) et caractériser les mécanismes de transition.

La signification réside dans le déverrouillage des paysages conformationnels « cachés » au sein de modèles entraînés pour la prédiction statique, permettant la découverte de mouvements de domaines, de poches cryptiques et de cycles de transporteurs sans intervention de l'utilisateur. Les auteurs positionnent cela comme une étape vers une meilleure compréhension de la biologie fondamentale et des applications potentielles en médecine, notant que la méthode est flexible, applicable à divers systèmes biomoléculaires (protéines, ARN, complexes) et opère purement au moment de l'inférence.