Modeling Atomic Conformational Ensembles of Proteins via Test-Time Supervision of Boltz-2 on Cryo-EM Density Maps

Sintesi Tecnica: Modellazione di Ensemble Conformazionali Atomici tramite Supervisione al Momento del Test di Boltz-2 su Mappe di Densità Cryo-EM

Enunciato del Problema

La previsione di ensemble conformazionali atomici proteici a partire dalla sequenza è una frontiera critica nella biologia strutturale, ma è ostacolata dalla scarsità di dati sperimentali di ensemble di alta qualità. Sebbene la microscopia elettronica criogenica (cryo-EM) permetta alle proteine di esplorare un intervallo più ampio di conformazioni rispetto alla cristallografia a raggi X, l'integrazione di questi dati nelle pipeline di addestramento rimane difficile. Attualmente, il campo si basa su un processo a due stadi: le mappe di densità cryo-EM sperimentali vengono convertite manualmente o semi-automaticamente in ensemble strutturali atomici (costruzione del modello), e queste strutture risultanti vengono successivamente utilizzate per addestrare predittori da sequenza a ensemble. Questa pipeline è limitata dalla difficoltà di costruire modelli atomici in volumi cryo-EM eterogenei e a risoluzione inferiore, spesso risultando in strutture incomplete o stereochimica inaccurata. Di conseguenza, repository pubblici come il PDB mancano dei ricchi dati dinamici presenti negli esperimenti cryo-EM grezzi, lasciando i modelli di previsione di ensemble ciechi a queste variazioni.

Metodologia: CryoSampler

Gli autori propongono CryoSampler, un framework unificato che bypassa il tradizionale processo a due stadi mediante il fine-tuning di un predittore di strutture statiche pre-addestrato (Boltz-2) direttamente sulle mappe di densità cryo-EM grezze. Il metodo è un modello di diffusione latente (LDM) addestrato in due stadi distinti:

1. Stadio 1: Autoencoder Variazionale 3D (VAE) per la Costruzione del Modello

   • Architettura: Un VAE spaziale 3D viene addestrato per apprendere una distribuzione di deformazioni atomiche. Il codificatore comprime un ensemble di input di mappe cryo-EM in una rappresentazione latente. Il decodificatore genera una griglia di caratteristiche 3D che rappresenta un campo neurale ibrido di offset atomici.
   • Processo: Il modello prende una struttura di riferimento statica ($X_{ref}$) generata da Boltz-2 e applica offset per-atomo previsti per deformarla in un ensemble atomico stimato ($\hat{X}$).
   • Rendering Differenziabile: Le coordinate atomiche stimate vengono restituite in un ensemble di mappe stimato ($\hat{V}$) utilizzando un modello forward cryo-EM basato sulla fisica e differenziabile ($\mathcal{F}_{EM}$).
   • Funzione di Perdita: Il VAE è ottimizzato end-to-end utilizzando:
     • Perdita di Ricostruzione ($\mathcal{L}_{recon}$): Correlazione incrociata normalizzata inversa (NCC) tra le mappe di input e quelle renderizzate per garantire l'adattamento mappa-modello.
     • Perdita Strutturale ($\mathcal{L}_{structural}$): Include metriche MolProbity differenziabili (outlier di Ramachandran, outlier di rotameri, collisioni) e una nuova perdita differenziabile del corpo rigido dello scheletro per preservare la geometria della struttura secondaria.
     • Divergenza KL: Regolarizza lo spazio latente.

2. Stadio 2: Modello di Diffusione Latente

   • Addestramento: Una volta addestrato il VAE, i suoi pesi vengono congelati. Un modello di diffusione con matching del flusso viene addestrato sugli embedding latenti ($\mu$) estratti dal VAE per l'insieme di addestramento delle mappe cryo-EM.
   • Obiettivo: Il modello apprende un campo vettoriale che interpola tra un prior normale standard ($z_0$) e la distribuzione latente target ($z_1$) utilizzando un obiettivo di matching del flusso a tempo continuo.
   • Inferenza: Al momento dell'inferenza, il modello può campionare nuovi codici latenti dal rumore gaussiano, che vengono decodificati dal VAE congelato per produrre conformazioni atomiche. Ciò consente la generazione di ensemble per proteine non viste all'interno della stessa famiglia senza richiedere nuovi dati cryo-EM (generalizzazione in-dominio).

Contributi Chiave

• Supervisione Diretta su Mappe Grezze: Il documento introduce un principio per il fine-tuning di modelli fondazione (specificamente Boltz-2) direttamente sulle mappe di densità cryo-EM grezze, eliminando la necessità di uno stadio intermedio di costruzione di modelli atomici, soggetto a errori, prima dell'addestramento.
• Framework Unificato: CryoSampler combina la costruzione del modello e la generazione di ensemble in un'unica procedura, raggiungendo un adattamento mappa-modello e una precisione stereochimica allo stato dell'arte.
• Generalizzazione In-Dominio: Gli autori dimostrano che il metodo può trasferire caratteristiche conformazionali apprese da un membro di una famiglia proteica (ad esempio, TRPV3) a un altro (ad esempio, TRPV5), generando ensemble atomici accurati per la proteina target senza mappe di densità sperimentali.

Risultati

Il metodo è stato valutato su quattro sistemi biologici: TRPV3, integrina $\alpha_V\beta_8$, GPCR neurochinina-1 e P-glicoproteina umana.

• Accuratezza nella Costruzione del Modello: CryoSampler ha raggiunto un adattamento mappa-modello superiore (misurato da $CC_{volume}$, $CC_{mask}$, $CC_{peaks}$ e $CC_{box}$) rispetto ai metodi esistenti come ModelAngelo, E2GMM e Boltz-2 nativo. Ad esempio, su TRPV3, CryoSampler ha raggiunto un $CC_{volume}$ di $0.84 \pm 0.02$, superando ModelAngelo ($0.79 \pm 0.08$) e Boltz-2 ($0.31 \pm 0.03$).
• Stereochimica: I modelli generati hanno mantenuto punteggi MolProbity competitivi, garantendo geometrie fisicamente valide.
• Previsione di Ensemble (TRPV5): In un esperimento di trasferimento zero-shot, il modello addestrato sulle mappe TRPV3 ha previsto con successo l'ensemble conformazionale di TRPV5. Ha raggiunto una distanza di Wasserstein ($W_2$) inferiore ($0.44$) rispetto a Boltz-2 ($0.61$) e all'Analisi delle Mode Normali ($0.58$), indicando una maggiore fedeltà all'ensemble di mappe sperimentali TRPV5.

Significato e Affermazioni

Gli autori affermano che CryoSampler dimostra il potenziale per addestrare modelli di previsione di ensemble atomici di prossima generazione direttamente sulle misurazioni cryo-EM grezze. Supervisionando i modelli pre-addestrati sulla distribuzione dei dati grezzi anziché sulle strutture atomiche elaborate, il metodo supera i limiti delle attuali pipeline a due stadi.

Il documento presenta con moderazione le sue affermazioni di generalizzazione: sebbene mostri una forte generalizzazione in-dominio (trasferimento di caratteristiche all'interno della famiglia dei canali TRP), non afferma una generalizzazione out-of-domain attraverso famiglie proteiche diverse in questo lavoro. Gli autori attribuiscono ciò alla scarsità di dati pubblici di ensemble cryo-EM. Essi ipotizzano che il loro approccio getti le basi per futuri modelli fondazione che possono essere addestrati direttamente su dati sperimentali grezzi, potenzialmente estendendosi ad altre modalità come i fattori di struttura cristallografica o gli spettri NMR. La convalida primaria rimane la capacità di eseguire una costruzione di modelli atomici ad alta fedeltà su ensemble di mappe e generare ensemble accurati per proteine correlate.