Neural spectroscopy of AlphaFold2 reveals encoded protein conformational landscapes

Résumé technique : Spectroscopie neurale d'AlphaFold2

Énoncé du problème
AlphaFold2 (AF2) atteint une précision remarquable dans la prédiction de structures protéiques statiques, pourtant la nature de ce que ses 93 millions de paramètres encodent reste opaque. Bien que le modèle soit conventionnellement traité comme un outil de conversion séquence-vers-structure, il n'est pas clair si ses poids mémorisent simplement un catalogue de repliements connus ou s'ils intériorisent une compréhension plus profonde et transférable de la physique du repliement des protéines et de l'organisation conformationnelle. L'inférence standard produit une prédiction statique unique, compressant l'espace de représentation interne du modèle et occultant toute information encodée concernant l'hétérogénéité conformationnelle, l'ordonnancement de la stabilité ou les voies de repliement. Le problème central abordé est la manière de sonder systématiquement les poids appris du module Evoformer pour révéler les contraintes structurelles et les paysages conformationnels qui ne sont pas visibles lors d'une inférence standard non perturbée.

Méthodologie : Convolution Gaussienne Échelonnée (SGC)
Les auteurs proposent la « spectroscopie neurale », un protocole impliquant la perturbation systématique et déterministe des tenseurs de poids appris de l'Evoformer pour caractériser l'encodage interne du modèle. La méthode centrale, la Convolution Gaussienne Échelonnée (SGC), modifie les tenseurs de poids ($W_i$) de l'Evoformer avant l'inférence en utilisant trois paramètres continus :

1. Facteur d'échelle ($\lambda$) : Atténue uniformément l'amplitude des poids ($\lambda \in (0, 1]$).
2. Largeur Gaussienne ($\sigma$) : Applique une convolution gaussienne pour lisser les caractéristiques locales fines des poids tout en préservant les motifs globaux grossiers.
3. Profondeur de perturbation ($d$) : Détermine le nombre de blocs d'Evoformer consécutifs (de l'indice 0 à $d-1$) qui sont modifiés.

La perturbation est appliquée in situ aux paramètres du modèle (en utilisant OpenFold v2.2.0) et est entièrement déterministe ; les mêmes paramètres produisent des sorties identiques. Pour garantir que les effets observés sont dus à la structure spécifique de la perturbation plutôt qu'à une simple variation de magnitude, les auteurs emploient des contrôles de bruit à puissance équivalente :

• Bruit blanc : Ajoute un bruit gaussien ayant la même énergie totale que la SGC, mais détruisant toute structure spectrale et de phase.
• Bruit spectral : Préserve le spectre de puissance de la perturbation SGC mais randomise la cohérence de la phase.

Les expériences ont été menées sur trois systèmes protéiques distincts pour sonder différents régimes de représentation apprise :

• Ubiquitine : Une protéine globulaire bien repliée avec des données expérimentales étendues (RMN, simulations de dynamique moléculaire - MD) pour la validation.
• KaiB : Une protéine à commutation de repliement (fold-switching) où AF2 ne prédit que l'état actif (état commuté).
• $\alpha$-synucléine : Une protéine intrinsèquement désordonnée (IDP) sans structure native unique.

Pour isoler l'effet des poids appris des contraintes coévolutionnaires externes, les expériences ont utilisé des profondeurs d'alignement de séquences multiples (MSA) réduites ($64 \times 64$), rendant le modèle plus sensible aux perturbations de poids.

Résultats clés

1. Paysages conformationnels structurés :
   La SGC induit une transition structurelle graduée et ajustable dans l'ubiquitine. À mesure que la profondeur de perturbation augmente, le modèle traverse un paysage conformationnel continu plutôt que de s'effondrer de manière aléatoire. Le paysage présente une topologie en « L » : un bassin natif profond connecté à un ensemble dénaturé via une charnière d'intermédiaires partiellement dépliés (globules molles). Cette topologie reflète le cône de repliement observé dans les simulations de dynamique moléculaire (MD) à l'échelle de la milliseconde, avec un chevauchement territorial de 72,6 % dans l'espace RMSD–facteur Q.

2. Dépliement physiquement ordonné :
   Sous une perturbation progressive, les contacts natifs de l'ubiquitine se rompent selon une séquence spécifique qui correspond à des décennies d'études de repliement expérimentales. Le « noyau de repliement » (Groupe 1) est le plus robusteement encodé et persiste le plus longtemps, tandis que les contacts de bordure intermédiaires (Groupe 2) se rompent en premier. Cet ordonnancement est cohérent entre les cinq modèles AF2 entraînés indépendamment et n'est pas reproduit par les contrôles de bruit, qui produisent des effondrements stochastiques dépendants de la graine (seed) ou des débris atomisés.

3. Corrélation avec la flexibilité physique :
   La sensibilité à la perturbation par résidu (la variance des coordonnées prédites à travers les itérations de recyclage sous perturbation) corrèle fortement avec la flexibilité physique mesurée par le RMSF de la MD en équilibre. Cette corrélation persiste même après contrôle du nombre de contacts pondéré (indice de l'enfouissement des résidus), suggérant que les poids encodent des contraintes au niveau des résidus liées à la flexibilité, et non seulement la géométrie statique.

4. Indépendance du modèle et convergence :
   Pour l'ubiquitine, les cinq modèles AF2 entraînés indépendamment produisent la même topologie de paysage conformationnel et les mêmes frontières de transition, indiquant que l'encodage est une propriété de l'architecture et des données d'entraînement plutôt que d'une initialisation spécifique des poids.

   • KaiB (Absence convergente) : Les cinq modèles échouent à accéder au repliement de l'état fondamental via la SGC, produisant uniquement une voie de dénaturation unidimensionnelle à partir de l'état prédit comme étant commuté. Cela suggère que la voie spécifique vers l'état fondamental est absente du manifold appris.
   • $\alpha$-synucléine (Désaccord structuré) : Les cinq modèles produisent cinq paysages distincts mais intrinsèquement cohérents. Bien qu'ils divergent sur l'ensemble conformationnel spécifique (reflétant la nature sous-déterminée des IDP), leur ensemble regroupé couvre le cœur de l'espace conformationnel échantillonné par la MD en solvant explicite, suggérant un « plancher » commun de contraintes.

5. Mécanisme de représentation :
   L'analyse de la représentation de paires de l'Evoformer ($z_{ij}$) révèle que la SGC déplace les magnitudes d'activation des paires le long d'un axe de faible dimension unique qui explique 97 % de la variance conditionnelle. Les contrôles de bruit se projettent en dehors de ce sous-espace, confirmant que la réponse structurée provient d'une modulation continue et alignée sur les poids de la géométrie de représentation, et non d'une défaillance générique du réseau.

Signification et revendications
L'article affirme qu'AlphaFold2's poids encodent une représentation compressée et pilotée par les données de l'organisation conformationnelle des protéines, qui s'étend au-delà de la structure statique unique prédite lors de l'inférence standard. En traitant les poids comme un objet scientifique plutôt que comme un simple outil, les auteurs démontrent que :

• Propriétés émergentes : Le modèle a appris à prédire des structures statiques, pourtant l'organisation conformationnelle (ordonnancement de la stabilité, motifs de flexibilité, topologie du paysage) a émergé comme un sous-produit de cet objectif, façonné par les données évolutives et structurelles.
• Spectroscopie neurale : L'approche consistant à lire ces contraintes encodées via une perturbation contrôlée des poids est nommée « spectroscopie neurale ». Elle permet de caractériser ce que le modèle « sait » du repliement des protéines sans nécessiter d'entraînement explicite sur des données dynamiques ou thermodynamiques.
• Limites de l'apprentissage : La méthode révèle les limites du manifold appris. Là où les données d'entraînement sont fortes (ubiquitine), le paysage est partagé et physiquement précis. Là où les données sont absentes (état fondamental de KaiB), le manifold montre une absence convergente. Là où les données sont ambiguës (IDP), le manifold montre un désaccord structuré, le noyau partagé représentant les contraintes fiablement encodées.

Les auteurs restent modestes quant aux explications mécanistes, notant que bien que la correspondance entre la perturbation des poids et les processus physiques soit robuste, la théorie formelle reliant la géométrie de l'espace des poids à la construction de la représentation et à l'émergence conformationnelle n'est pas encore établie. Ils postulent que le signal réside dans les directions dominantes des poids appris, accessibles par une déformation globale et continue.