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

Résumé technique : Exploration efficace des ensembles conformationnels via l'apprentissage profond informé par les interactions protéiques

Énoncé du problème
La caractérisation précise des ensembles conformationnels des protéines est cruciale pour comprendre la fonction biologique et faire progresser la conception de médicaments. Bien que les simulations de dynamique moléculaire (MD) servent de référence absolue pour explorer ces paysages, elles sont trop coûteuses en termes de calcul pour les applications à haut débit ou les grands systèmes macromoléculaires. L'intelligence artificielle (IA) générative, telle que les cadres de diffusion et de flux, offre une alternative plus rapide. Cependant, les méthodes existantes peinent souvent face aux hallucinations structurelles, particulièrement dans les régions flexibles ou pauvres en informations, et dépendent fortement de l'expansion des ensembles de données d'entraînement avec des structures de chaînes uniques isolées. Les auteurs postulent que le fait de découpler artificiellement les chaînes protéiques de leurs contextes d'interaction natifs limite les modèles à apprendre des distributions structurelles statiques plutôt que les contraintes physiques sous-jacentes qui régissent les changements de conformation.

Méthodologie
L'étude présente DynoM, un cadre génératif conçu pour exploiter les interactions des complexes protéiques afin d'améliorer la prédiction des ensembles conformationnels monomériques. La méthodologie repose sur une stratégie d'entraînement en deux étapes :

1. Architecture : DynoM utilise une architecture de diffusion conditionnelle basée sur le tronc sans modèle d'AlphaFold3 (AF3). Il intègre un module de codage positionnel pour différencier les identités de chaînes dans les entrées multi-chaînes. Le module de diffusion utilise des transformateurs basés sur l'Attention de Points Invariants (IPA) pour reconstruire itérativement les squelettes protéiques à partir d'un bruit aléatoire.
2. Données d'entraînement :
   • Pré-entraînement : Le modèle a été pré-entraîné sur un ensemble de données curé de 62 044 structures de complexes protéiques statiques (hétérodimères et complexes antigène-anticorps), représentant seulement environ 10 % du volume des données monomères disponibles, mais offrant une plus grande diversité de séquences.
   • Affinage (Fine-tuning) : Pour remédier aux limites des données statiques, les auteurs ont généré un ensemble de données interne de 5 502 trajectoires de MD tout-atome (100 ns chacune) pour des complexes protéiques en utilisant GROMACS. Le modèle pré-entraîné a été affiné sur ces données dynamiques pour agir comme une « ancre structurelle », corrigeant les mouvements non physiques.
3. Fonctions de perte : L'objectif d'entraînement combine une perte de correspondance de score de débruitage avec des termes auxiliaires : l'erreur quadratique moyenne (MSE) directe sur les coordonnées du squelette, une perte de voisinage local sur les distances atomiques par paires (≤ 8,5 Å), et une pénalité de collision stérique pour prévenir les chevauchements atomiques non physiques au sein des chaînes et entre elles.
4. Évaluation : Les performances ont été comparées aux bases de référence de l'état de l'art (BioEmu, ConfDiff, AlphaFlow) en utilisant un ensemble de test indépendant de 63 protéines de longueurs et de topologies variées. Les métriques incluent des mesures topologiques globales (PwD-JSD, Rg-JSD), la cohérence dynamique (TIC-JSD, TIC-RMWD) et la flexibilité au niveau des résidus (rRMSF).

Contributions clés

• Apprentissage informé par les interactions : L'article démontre que l'incorporation d'une fraction relativement faible (10 %) de données de complexes surpasse significativement les modèles entraînés uniquement sur des monomères. Plus précisément, le complément des modèles entraînés sur des monomères par des données de complexes a amélioré les performances de 6,64 % pour PwD-JSD et de 22,87 % pour Rg-JSD.
• Suppression des hallucinations structurelles : DynoM capture efficacement les contraintes physiques à longue portée inhérentes aux interactions complexes. Cette capacité permet au modèle de supprimer les hallucinations structurelles dans le positionnement inter-domaines pour les monomères multi-domaines, un défi auquel les modèles précédents échouent souvent.
• Priors complémentaires : L'étude établit que les structures de complexes statiques fournissent des priors topologiques essentiels, tandis que l'affinage par MD fournit les contraintes dynamiques nécessaires pour approximer les distributions d'équilibre.
• Efficacité des données : DynoM atteint des performances supérieures en utilisant nettement moins de données d'entraînement (structures statiques et trajectoires MD) que les bases de référence existantes.
• Libération de ressources : Les auteurs mettent à la disposition de la communauté de recherche un nouvel ensemble de données de 5 502 trajectoires MD de complexes protéiques ainsi que le code source de DynoM.

Résultats

• Performance de référence : Sur l'ensemble de test de 63 protéines, DynoM a surpassé BioEmu, ConfDiff et AlphaFlow sur toutes les métriques d'équilibre (P < 0,05). Il a obtenu les valeurs les plus basses pour TIC-JSD et TIC-RMWD, indiquant une meilleure couverture de l'espace conformationnel accessible tout en minimisant la génération d'états non physiques.
• Précision multi-domaines : Pour les protéines multi-domaines, DynoM a démontré une haute cohérence dans le positionnement inter-domaines, réduisant considérablement les écarts dans les distances Cα-Cα par paires hors diagonale par rapport aux bases de référence.
• Diversité conformationnelle : Les analyses de protéines présentant des changements structurels locaux, des transitions apo-holo et des mouvements de domaine de corps rigide ont montré que DynoM pouvait échantillonner avec succès des paysages multi-conformationnels. Crucialement, le modèle n'a pas sur-contraint la diversité conformationnelle des états monomériques ; les ensembles prédits pour les antigènes non liés couvraient à la fois les espaces conformationnels liés et non liés.
• Prédiction de complexes : Des tests préliminaires sur 20 complexes antigène-anticorps ont montré que DynoM pouvait distinguer les régions de squelette rigides des CDR flexibles et identifier des conformations plausibles dans les cas où AlphaFold3 échouait, bien que la précision de l'interface (iRMSD) reste une limitation par rapport à AF3.

Signification et affirmations
Les auteurs affirment que les priors interfaciaux dérivés des complexes protéiques sont un « maillon manquant » indispensable dans la prédiction actuelle des ensembles conformationnels. En exploitant ces contraintes physiques, DynoM fournit un outil robuste et efficace en données qui comble le fossé entre le besoin d'informations dynamiques et la charge de calcul des simulations de physique. Ce travail suggère que la qualité des données (incorporant des contraintes d'interaction) est plus critique que la simple quantité de données. Bien que le modèle se concentre actuellement sur les dimères et les complexes antigène-anticorps et repose sur la génération du squelette plutôt que sur une prédiction tout-atome de bout en bout, il établit une preuve de concept de l'utilisation des contraintes dérivées de complexes pour améliorer la plausibilité physique de la modélisation protéique. Les auteurs reconnaissent les limites concernant la portée des données d'entraînement (excluant les assemblages multimériques plus larges) et la nécessité d'une optimisation supplémentaire des fonctions de perte et de la prédiction au niveau atomique pour la dynamique complexe.