Morphology-Aware Peptide Discovery via Masked Conditional Generative Modeling

Titolo

Scoperta di Peptidi Consapevoli della Morfologia tramite Modellazione Generativa Condizionale Mascherata

1. Il Problema

La predizione e il design del self-assembly (auto-assemblaggio) dei peptidi offrono una strategia potente per creare materiali biocompatibili e a bassa tossicità. Tuttavia, lo spazio delle sequenze peptidiche è vastissimo e combinatorio, rendendo il processo di screening per identificare sequenze che si assemblino in morfologie specifiche (es. fibrille, sfere, tubuli) intrattabile con metodi tradizionali.
Le sfide principali identificate sono:

• Mancanza di dati standardizzati: Esistono pochi dataset che colleghino direttamente la sequenza peptidica alla morfologia dell'aggregato validata sperimentalmente o tramite simulazione.
• Limiti dei modelli esistenti: I modelli generativi precedenti si sono concentrati su attività funzionali (es. antimicrobica) o sull'aggregazione generica, ma non sono stati in grado di guidare il design verso morfologie supramolecolari specifiche.
• Complessità delle condizioni: La morfologia non dipende solo dalla sequenza, ma anche da condizioni sperimentali (pH, concentrazione, solvente). Inoltre, le etichette di morfologia sono spesso frammentate o assenti nei dataset disponibili.

2. Metodologia: PepMorph

Gli autori introducono PepMorph, una pipeline end-to-end per la scoperta di peptidi che genera nuove sequenze non solo propense ad aggregare, ma guidate verso morfologie specifiche (fibrillari o sferiche) tramite un approccio di "condizionamento parziale".

A. Curation del Dataset (PepMorph Dataset)

• Fonte: Unione di dataset esistenti sulla propensione all'aggregazione (Wang et al., Teijlingen & Tuttle) e generazione di sequenze casuali.
• Dimensione: ~161.000 peptidi unici (lunghezza 3-10 amminoacidi).
• Descrittori: Oltre alla sequenza e alla propensione all'aggregazione (AP), sono stati calcolati descrittori biophysici del monomero isolato (usando PEP-FOLD per la struttura 3D) che fungono da proxy per la morfologia:
  • Presenza di foglietti $\beta$ (beta-strand).
  • Momento idrofobico (misura dell'anfipaticità).
  • Carica netta.
• Gestione dei dati mancanti: Poiché non tutti i peptidi hanno descrittori 3D calcolabili (es. peptidi troppo corti), il dataset include campi mancanti gestiti tramite un meccanismo di mascheramento.

B. Architettura del Modello

• Modello: Un Conditional Variational Autoencoder (CVAE) basato su Transformer.
• Meccanismo di Mascheramento (Masking): A differenza dei CVAE tradizionali che richiedono tutti i parametri di condizionamento, PepMorph utilizza un meccanismo ispirato a VAEAC.
  • Gli utenti specificano un sottoinsieme di descrittori desiderati (es. solo "lunghezza" e "momento idrofobico").
  • Un vettore binario di mask ($m$) indica quali descrittori sono forniti.
  • Un MLP crea un "riassunto della condizione" ($s$) che condiziona sia la distribuzione a priori latente che il decoder autoregressivo.
  • Questo permette di generare sequenze con vincoli parziali, lasciando liberi i parametri non specificati.
• Training: L'obiettivo include la ricostruzione della sequenza, la divergenza KL tra la posterior e la prior mascherata, e termini ausiliari per ricostruire i descrittori osservati (per evitare il collasso del posterior).

C. Pipeline di Validazione

1. Generazione: Campionamento di sequenze condizionate su descrittori specifici per target morfologici (es. sfere: alto momento idrofobico, carica neutra; fibrille: presenza di $\beta$-strand, lunghezza maggiore).
2. Filtraggio Post-Generazione:
   • Screening con regressori/classificatori per propensione all'aggregazione (AP) e stato di assemblaggio (SA).
   • Ricalcolo dei descrittori tramite PEP-FOLD per verificare la conformità ai target (tolleranza $\pm 10\%$).
3. Validazione MD (Coarse-Grained):
   • Simulazioni di Dinamica Molecolare a grana grossa (CG-MD) con forza campo MARTINI 3.
   • Analisi della morfologia tramite il rapporto dei momenti di inerzia principali (RMOI): valori bassi indicano fibrille, valori alti indicano sfere.
   • Verifica visuale delle traiettorie.

3. Risultati Chiave

• Generazione e Novità: Il modello genera sequenze altamente nuove (97,7% non presenti nel training set) e diversificate. La similarità globale con il training set è bassa (<10%), indicando che il modello non sta memorizzando ma esplorando lo spazio delle sequenze.
• Fedeltà al Condizionamento: Il modello soddisfa i vincoli richiesti nel 55% dei casi (quando si considerano tutti i descrittori target simultaneamente). La fedeltà è più alta per la lunghezza e la propensione all'aggregazione, e più bassa per descrittori strutturali complessi.
• Validazione MD (Successo Morfologico):
  • Tutti i peptidi candidati selezionati (30 totali: 15 per sfere, 15 per fibrille) hanno formato aggregati nelle simulazioni MD.
  • Tasso di successo morfologico: Il 83% dei peptidi ha assunto la morfologia target (sfere o fibrille) secondo i criteri visivi e RMOI.
  • Confronto con Baseline:
    • Sequenze casuali: 0 successi per sfere, 4 per fibrille.
    • PepMorph senza condizionamento morfologico (solo lunghezza): 3 successi per sfere, 7 per fibrille.
    • PepMorph con condizionamento: 15 successi per sfere, 13 per fibrille.
  • Questo dimostra che il condizionamento durante la generazione è essenziale per arricchire il pool di candidati prima della validazione costosa (MD).

4. Contributi Principali

1. Framework Morfologia-Aware: Prima pipeline generativa che permette di controllare esplicitamente la morfologia dell'assemblaggio peptidico (sfere vs fibrille) tramite descrittori di proxy del monomero.
2. Condizionamento Flessibile: Implementazione di un CVAE con mascheramento che permette agli utenti di specificare solo i vincoli rilevanti, rendendo il modello robusto a dati incompleti e a spazi di progettazione parziali.
3. Dataset Integrato: Creazione di un dataset su larga scala (~161k peptidi) che combina dati di aggregazione con descrittori strutturali calcolati, colmando il divario tra sequenza e morfologia.
4. Validazione Rigorosa: Un ciclo di validazione end-to-end che combina screening computazionale e simulazioni MD, dimostrando un alto tasso di successo (83%) nel predire la morfologia corretta.

5. Significato e Implicazioni

Il lavoro di PepMorph rappresenta un passo significativo verso la progettazione razionale di materiali supramolecolari.

• Efficienza: Riduce drasticamente il numero di simulazioni MD necessarie rispetto a metodi di screening casuale o ottimizzazione basata su meta-euristiche, aumentando l'efficienza della scoperta.
• Generalizzabilità: L'architettura è estensibile ad altre morfologie (es. fogli, reti) e ad altre proprietà funzionali (es. attività antimicrobica) senza cambiare il nucleo del modello.
• Ponte tra Sequenza e Materia: Dimostra che è possibile guidare la forma materiale finale (morfologia) partendo da descrittori semplici del monomero isolato, superando la complessità della simulazione diretta di tutti i possibili assemblaggi.
• Limiti e Futuro: Gli autori notano che la scelta dei descrittori proxy e i protocolli di simulazione influenzano i risultati. Il lavoro suggerisce l'integrazione futura di potenziali interatomici basati su ML per label più accurate e l'uso di prior più complessi (multimodali) per gestire meglio l'incertezza nei vincoli parziali.

In sintesi, PepMorph offre un approccio versatile e guidato dai dati per navigare lo spazio delle sequenze peptidiche, trasformando la morfologia da una proprietà emergente imprevedibile in un obiettivo di design esplicito.