Résumé technique : SurfDesign : Conception de protéines efficace sur les surfaces moléculaires

Énoncé du problème

La conception de protéines est passée pour l'essentiel d'une optimisation basée sur la physique à une modélisation générative pilotée par les données, le paradigme dominant étant le repliement inverse basé sur la structure. Dans ce paradigme, une structure de squelette (backbone) cible est spécifiée, et une séquence d'acides aminés compatible est générée. Cependant, les auteurs soutiennent que la géométrie du squelette seule est insuffisante pour de nombreuses tâches de conception pratiques, telles que l'ingénierie d'enzymes, la liaison récepteur-ligand et la conception d'interactions de novo. Ces tâches sont régies non seulement par le repliement global, mais aussi par la complémentarité de la forme de surface et des propriétés physico-chimiques localisées. Des protéines ayant des repliements presque identiques peuvent présenter des fonctions radicalement différentes si leurs distributions de charges de surface, leur courbure ou leurs motifs hydrophobes diffèrent.

Les méthodes existantes conditionnées par la surface traitent souvent les surfaces moléculaires comme des collections non ordonnées de points ou des maillages fixes, échouant ainsi à capturer la continuité intrinsèque, la structure tangente locale et la cohérence directionnelle de ces surfaces. De plus, les surfaces moléculaires sont des variétés lisses continues, une propriété souvent ignorée par les approches de nuages de points discrets. Par ailleurs, la rareté des données appariées surface-séquence rend difficiles les modèles gourmands en données, nécessissant des stratégies qui exploitent les priors évolutifs sans nécessiter un réentraînement complet.

Méthodologie

Les auteurs proposent SurfDesign, un cadre qui modélise explicitement les surfaces moléculaires comme des variétés géométriques et les intègre aux modèles de langage protéiques (PLM) préentraînés. La méthode se compose de trois composantes principales :

1. Génération et prétraitement de la surface

Les surfaces moléculaires sont générées à l'aide d'outils tels que PyMol ou MSMS pour obtenir des surfaces d'accessibilité au solvant (SAS) ou des surfaces d'exclusion du solvant (SES). Celles-ci sont traitées comme des nuages de points orientés $Q = \{q_i\}$, où chaque point possède des attributs : coordonnées 3D ($\mathbf{x}_i$), vecteurs normaux unitaires ($\mathbf{n}_i$) et propriétés physico-chimiques ($\mathbf{h}_i$). Pour traiter le bruit des nuages de points bruts, les auteurs appliquent un lissage par noyau gaussien aux coordonnées. Crucialement, le pipeline de génération de surface n'utilise pas d'identités de résidus, d'alignements de séquences multiples (MSA) ou d'annotations fonctionnelles, garantissant que le modèle repose sur des contraintes géométriques et physico-chimiques plutôt que sur des informations de séquence privilégiées.

2. Réseau géométrique de surface (SEMP)

L'innovation centrale est l'encodeur SEMP (Surface-based Equivariant Message Passing), qui traite la surface comme une variété $C^\infty$ différentiable.

• Conscience de la variété : L'encodeur exploite le fait que tout point sur une variété est localement euclidien. Il utilise les vecteurs normaux unitaires pour approximer l'espace tangent et calcule des vecteurs de pseudo-courbure ($\psi$) via la décomposition en valeurs propres de la matrice de covariance locale. Ces descripteurs de courbure sont invariants par rotation.
• Directionnalité : Le modèle capture les relations directionnelles entre les points voisins en utilisant trois angles spécifiques : les angles entre les normales et la ligne de connexion ($\phi_{n_i i j}, \phi_{n_j j i}$) et l'angle dièdre entre les deux demi-plans ($\theta_{n_i i j n_j}$).
• Encodage équivariant : L'encodeur emploie des bases de Fourier-Bessel sphériques 3D (SBF) pour intégrer la connaissance de l'orientation. Il calcule les caractéristiques d'interaction basées sur les distances relatives et les angles invariants, assurant une équivariance de roto-translation. Le mécanisme de passage de messages met à jour les caractéristiques des nœuds et les coordonnées tout en préservant l'équivariance SE(3) en propageant l'information directionnelle exclusivement par des vecteurs de déplacement relatifs.

3. Reprogrammation des modèles de langage protéiques (PEFT)

Pour remédier à la rareté des données et exploiter les connaissances évolutives, SurfDesign intègre l'encodeur SEMP avec un décodeur PLM en utilisant une stratégie de fine-tuning de paramètres efficaces (PEFT) hybride.

• Au lieu d'un réentraînement complet, la méthode utilise un adaptateur structurel combiné à LoRA (Low-Rank Adaptation) pour injecter l'information structurelle dérivée de la surface dans le PLM.
• L'objectif d'entraînement est le Modèle de Langage Masqué Conditionnel (CMLM). Étant donné une surface $Q$ et une séquence partiellement masquée, le modèle prédit les résidus masqués en étant conditionné par les résidus observés et la géométrie de la surface.
• Les auteurs précisent que dans la conception fonctionnelle, il n'existe pas de séquence de vérité terrain unique pour une surface donnée ; ainsi, les benchmarks de repliement inverse sont traités comme des évaluations diagnostiques de la compatibilité structurelle plutôt que comme des tâches de récupération de labels supervisées.

Contributions clés

1. Représentation de surface consciente de la variété : SurfDesign est le premier à modéliser explicitement les surfaces moléculaires comme des variétés géométriques continues, capturant les structures tangentes locales, la courbure et la cohérence directionnelle, allant au-delà des nuages de points discrets ou des maillages.
2. Encodeur équivariant conditionné par la surface : L'introduction de SEMP, qui utilise les normales de surface, la courbure et les angles directionnels au sein d'un cadre de passage de messages équivariant pour capturer la structure de la variété locale.
3. Stratégie PEFT hybride : Une méthode pour intégrer la géométrie de surface dans les PLM de manière efficace, permettant au modèle de bénéficier des larges priors évolutifs sans le coût computationnel d'un fine-tuning complet.
4. Changement de paradigme : Ce travail élève les surfaces moléculaires du statut de caractéristiques auxiliaires à celui de signaux de conditionnement de premier ordre, proposant un passage d'une conception centrée sur le repliement à une conception centrée sur l'interaction.

Résultats expérimentaux

Les auteurs ont évalué SurfDesign sur trois fronts principaux :

1. Conception de binders protéiques

Évalué sur un benchmark de six récepteurs cibles (ex: InsulinR, PDGFR, TGFb).

• Métrique : Erreur alignée prédite par AlphaFold2 (AF2 pAE_interaction). Des scores plus bas indiquent une plus grande confiance à l'interface.
• Résultats : SurfDesign a obtenu l'AF2 pAE_interaction moyen le plus bas (15,85), surpassant les méthodes précédentes conditionnées par la surface (SurfPro : 16,95) et les méthodes basées uniquement sur le squelette (ProteinMPNN : 23,45).
• Taux de succès : SurfDesign a atteint le taux de succès global le plus élevé (30,14 %), défini comme la génération de binders ayant un pAE inférieur au binder positif natif.

2. Conception d'enzymes

Évalué sur cinq systèmes enzyme-substrat à l'aide du score de potentiel enzyme-substrat (ESP).

• Résultats : SurfDesign a obtenu le score ESP moyen le plus élevé (0,9058) et le taux de succès le plus élevé (47,30 %), surpassant les lignes de base non basées sur la surface (LM-DESIGN, PiFold) ainsi que les méthodes basées sur la surface (SurfPro).
• Performance Zero-Shot : Le modèle a maintenu une performance robuste en mode zero-shot (34,36 % de succès), suggérant une robustesse dans la capture de la géométrie des poches localisées.

3. Repliement inverse (Compatibilité structurelle)

Évalué sur CATH 4.2, CATH 4.3 et des ensembles de tests indépendants (TS50, TS500).

• Métriques : Perplexité et récupération d'acides aminés (AAR).
• Résultats : SurfDesign a établi de nouveaux records de l'état de l'art, atteignant une AAR de 74,13 % sur CATH 4.2 (surpassant VFN-IF-ESM de 18,28 %) et 82,16 % sur TS50.
• Ablation : Le retrait du composant PLM a réduit l'AAR à 65,35 %, et le retrait de l'encodeur SEMP (directionnalité/courbure) a réduit l'AAR à 66,27 %, confirmant la contribution de ces deux composantes.
• Récupération de surface : Le modèle a démontré une haute fidélité dans la reconstruction des surfaces moléculaires (IoU 0,98, Cohérence des normales 0,6241).

Signification et affirmations

L'article affirme que SurfDesign démontre que la modélisation explicite des surfaces moléculaires comme des variétés géométriques est une approche puissante et complémentaire pour aller au-delà de la conception centrée sur le squelette. En traitant les surfaces comme des signaux de conditionnement de premier ordre, le cadre permet la génération de protéines fonctionnelles avec une plus grande fidélité fonctionnelle.

Les auteurs soulignent que le succès de l'inverse folding dans les benchmarks sert de diagnostic de la compatibilité structurelle, validant que les séquences générées sont physiquement cohérentes avec la géométrie spécifiée. Cependant, la contribution principale réside dans la conception fonctionnelle (binders et enzymes), où l'approche conditionnée par la surface surpasse systématiquement les méthodes existantes. Le travail suggère un avenir modulaire où la géométrie de surface, les priors de séquence et les objectifs fonctionnels peuvent être composés pour concevoir des complexes protéiques et des enzymes spécifiques avec une haute précision.

L'article conclut que, bien que le repliement inverse soit un test de résistance utile, la véritable valeur de SurfDesign réside dans sa capacité à générer des protéines satisfaisant des contraintes physico-chimiques complexes définies par les surfaces moléculaires, une capacité que les approches basées uniquement sur le squelette peinent à atteindre.