💻 bioinformatica

Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

Questo articolo introduce un framework di benchmarking sistematico in tre fasi che sfrutta modelli linguistici proteici e chimici per predire i siti di legame proteina-ligando da sequenza e SMILES, dimostrando che, sebbene il condizionamento del ligando migliori le prestazioni su ligandi noti, un approccio zero-shot che utilizza embedding chimici preaddestrati consente una predizione efficace su ligandi precedentemente non visti.

Autori originali: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Pubblicato 2026-11-07 (v2)

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

All'interno di ogni cellula vivente, le proteine agiscono come macchine molecolari che mantengono in funzione la vita. Esse si ripiegano in forme complesse per svolgere compiti come la copia delle istruzioni genetiche o la lotta contro le infezioni. Spesso, queste macchine devono agganciarsi a molecole chimiche più piccole, note come ligandi, per poter funzionare. Quando una proteina aggancia una specifica molecola, lo fa in una posizione precisa sulla sua superficie, proprio come una chiave che si inserisce in una specifica serratura. Sapere esattamente dove si trova questa serratura sulla proteina è crucialo per gli scienziati. Se i ricercatori possono individuare questi punti, possono capire come funzionano le malattie e progettare nuovi farmaci per bloccare o attivare queste interazioni. Per decenni, trovare questi punti si è basato su costosi e lenti esperimenti di laboratorio che scattano immagini delle molecole. Ora, gli scienziati si stanno rivolgendo ai computer per prevedere queste posizioni più velocemente, ma rimane un ostacolo importante: i computer faticano quando si imbattono in un nuovo tipo di molecola chimica che non hanno mai visto prima.

Un team di ricercatori ha sviluppato un nuovo modo per insegnare ai computer a trovare questi punti di legame, anche quando la molecola chimica è completamente sconosciuta. Hanno costruito un sistema che impara dalla vasta libreria di forme proteiche note e dalle formule chimiche delle molecole per fare ipotesi istruite su dove si connetteranno. Il team ha testato il loro approccio in tre diversi scenari per vedere quanto funzionasse bene. Primo, hanno esaminato sostanze chimiche comuni che il computer aveva visto molte volte prima. Secondo, hanno testato il sistema su sostanze chimiche che apparivano solo poche volte nei dati di addestramento. Infine, hanno sfidato il sistema con un test "zero-shot", in cui il computer doveva prevedere i punti di legame per migliaia di sostanze chimiche che non aveva mai incontrato durante il suo addestramento. Questo ultimo test è il più difficile, poiché imita la situazione del mondo reale in cui uno scienziata scopre un nuovo candidato farmaco e ha bisogno di sapere come interagisce con una proteina immediatamente.

I ricercatori hanno iniziato addestrando un modello informatico utilizzando un enorme database di sequenze proteiche e dei loro partner di legame noti. Hanno prima creato un sistema di base che imparava a prevedere i punti di legame per una specifica sostanza chimica alla volta. Questo funzionava bene per le sostanze chimiche comuni, ma richiedeva un modello separato per ogni singolo tipo di molecola, il che è inefficiente. Successivamente, hanno migliorato il sistema insegnandogli a riconoscere diverse sostanze chimiche tutte in una volta, utilizzando un codice speciale per ciascuna di esse. Ciò ha permesso a un singolo modello di gestire molte molecole diverse, e ha ottenuto prestazioni migliori rispetto alla prima versione. Tuttavia, questo approccio falliva ancora di fronte a una sostanza chimica completamente nuova perché il computer non aveva un codice per essa. Per risolvere il problema, il team ha introato una terza fase. Inveve di usare un codice pre-confezionato per la sostanza chimica, hanno fornito al computer la sua formula strutturale, scritta come una stringa di testo chiamata stringa SMILES. Hanno utilizzato un programma informatico separato, addestrato su milioni di formule chimiche, per trasformare questo testo in una rappresentazione matematica che il sistema principale potesse comprendere. Ciò ha permesso al modello di fare previsioni per sostanze chimiche che non aveva mai visto prima.

Quando il team ha testato questa capacità "zero-shot", i risultati sono stati promettenti ma hanno evidenziato la difficoltà del compito. Sulle sostanze chimiche che il computer aveva già visto, il sistema rimaneva accurato. Ma per le sostanze chimiche non viste, l'accuratezza è diminuita, il che è previsto quando si trattano dati completamente nuovi. Il sistema ha identificato correttamente i punti di legame su circa il 31 percento delle parti rilevanti della proteina per queste nuove molecole, un traguardo significativo per un primo tentativo su questo specifico problema. Per garantire che il computer stesse effettivamente utilizzando l'informazione chimica e non stesse solo indovinando in base alla forma della proteina, i ricercatori hanno eseguito esperimenti di controllo. Hanno fornito al sistema la proteina corretta ma hanno sostituito la formula chimica con testo senza senso o con la sostanza chimica errata. In questi casi, le prestazioni del computer sono diminuite significativamente in tutti i gruppi di test. Ciò ha dimostato che il modello stava effettivamente prestando attenzione alla specifica sostanza chimica fornita, piuttosto che affidarsi a un tentativo generico.

Lo studio ha anche esplorato come la dimensione dei modelli informatici influenzasse le loro prestazioni. Hanno testato diverse versioni del modello di apprendimento proteico, che andavano da piccole a molto grandi. In generale, i modelli più grandi offrivano prestazioni migliori, suggerendo che avere maggiore potenza computazionale aiuti il sistema a comprendere i complessi schemi delle forme proteiche. Tuttavia, rendere più grande il modello di apprendimento chimico non portava sempre a risultati migliori, indicando che il lato proteico dell'equazione è attualmente il fattore più critico per l'accuratezza. I ricercatori hanno scoperto che, sebbene il sistema non sia ancora perfetto, fornisce un quadro affidabile per prevedere come le proteine e le nuove sostanze chimiche potrebbero interagire. Questo lavoro stabilisce un nuovo standard per testare queste previsioni, distinguendo tra ciò che un computer può fare con dati familiari e ciò che può raggiungere con scoperte veramente nuove. Dimostrando che il sistema può generalizzare su sostanze chimiche non viste, i ricercatori hanno aperto una strada per una scoperta di farmaci più rapida, permettendo agli scienziati di esaminare nuove molecole contro le proteine senza dover aspettare i lenti esperimenti tradizionali.

Sintesi Tecnica: Predizione Zero-Shot del Sito di Legame Proteina–Ligando da Sequenza Proteica e SMILES

Definizione del Problema
L'identificazione accurata dei siti di legame proteina–ligando è fondamentale per la biologia meccanicistica e la scoperta di farmaci. Tuttavia, gli strumenti computazionali esistenti spesso mancano di versatilità, limitando l'efficacia a specifiche categorie di ligandi, e le prestazioni predittive variano significativamente tra le diverse famiglie di ligandi a seconda della disponibilità dei dati. Sebbene le tecniche sperimentali come la cristallografia a raggi X forniscano dati strutturali, esse sono laboriose, rendendo necessari approcci computazionali per la predizione ad alto rendimento. Una limitazione chiave nella ricerca attuale è la mancanza di una valutazione sistematica su come le prestazioni predittive cambino attraverso diversi regimi di disponibilità dei dati dei ligandi: ricchi di dati (sovrarappresentati), scarsi di dati (sottorappresentati) e assenti di dati (zero-shot). Inoltre, distinguere le prestazioni sui ligandi sovrarappresentati dalla generalizzazione a ligandi non visti richiede un framework di valutazione consapevole del ligando (ligand-aware).

Metodologia
Gli autori presentano un benchmark sistematico e un framework di valutazione consapevole del ligando utilizzando un dataset derivato da BioLiP2. Il dataset è stato elaborato tramite clustering CD-HIT con un'identità di sequenza del 40% all'interno dei dataset recettoriali specifici per ligando per ridurre la ridondanza. La valutazione è strutturata in tre distinti regimi:

Sovrarappresentati: Ligandi con $\ge$ 100 campioni.
Sottorappresentati: Ligandi con 20–99 campioni.
Zero-shot: Ligandi con 1–19 campioni, completamente esclusi dall'addestramento e dalla validazione.

Per valutare le prestazioni in questi regimi, gli autori hanno sviluppato una suite di modellazione basata sulla sequenza in tre stadi progressivi:

Stadio 1 (Baseline specifica per ligando): Un'architettura di base in cui un modello separato viene addestrato per ogni tipo di ligando utilizzando un Modello di Linguaggio Proteico pre-addestrato (PLM, specificamente ESM-2) per generare embedding a livello di residuo. Questi embedding vengono inseriti in un classificatore lineare. Nessun input specifico del ligando (SMILES o ID) è fornito al modello durante l'inferenza; il modello si affida esclusivamente alla sequenza proteica e ai suoi dati di addestramento specifici.
Stadio 2 (Multi-ligando con embedding appresi): Un singolo modello viene addestrato per predire i siti di legame per molteplici tipi di ligandi predefiniti. Le sequenze proteiche sono codificate dallo stesso PLM. L'identità del ligando è fornita come un indice che interroga una tabella di embedding addestrabile, la quale viene fusa con le caratteristiche proteiche tramite un decoder transformer bidirezionale via cross-attention. Ciò consente al modello di apprendere da un dataset raggruppato, ma non può generalizzare a ligandi non visti.
Stadio 3 (Generalizzazione Zero-Shot): La tabella di embedding del ligando fissa viene sostituita con un Modello di Linguaggio Chimico pre-addestrato (CLM, specificamente MolFormer) che opera su stringhe SMILES. Il CLM genera rappresentazioni del ligando che vengono proiettate per corrispondere alla dimensione delle feature del PLM e fuse tramite lo stesso decoder. Questa architettura consente la predizione per identità di ligandi assenti dai dati di addestramento e validazione supervisionata.

Lo studio impiega esperimenti di controllo rigorosi, inclusi input con SMILES costanti, disallineati o rimescolati, per verificare che il modello utilizzi informazioni specifiche del ligando piuttosto che una generica propensione proteica. Sono stati inoltre condotti studi di ablazione su cinque scale di ESM-2 (da 8M a 3B di parametri) e su molteplici configurazioni CLM (MolFormer, UniMol-2) per analizzare l'impatto della scala del modello.

Contributi Chiave

Benchmark Consapevole del Ligando: L'istituzione di un framework di valutazione standardizzato con split per ligandi sovrarappresentati, sottorappresentati e zero-shot, incorporando il clustering di sequenza intra-ligando per valutare sistematicamente la predizione a livello di residuo attraverso diverse disponibilità di dati.
Suite di Modellazione Progressiva: Lo sviluppo e la valutazione di una progressione di modellazione in tre stadi che caratterizza le prestazioni man mano che la supervisione del ligando diminuisce, dal training a singolo ligando alla condizionamento multi-ligando e infine all'inferenza zero-shot basata su SMILES.
Analisi Controllata delle Rappresentazioni: Valutazione sistematica delle rappresentazioni proteiche e chimiche attraverso ablazioni e controlli dell'input del ligando (SMILES costanti, disallineati o rimescolati), dimostrando il contributo degli input specifici del ligando all'accuratezza della predizione.

Risultati

Stadio 2 vs. Stadio 1: Sul set di test sovrarappresentato, lo Stadio 2 ha raggiunto un F1 macro per ligando (0.5832) superiore rispetto allo Stadio 1 (0.4769). Tuttavia, gli autori osservano che questo confronto comporta cambiamenti simultanei in architettura, condizionamento e regime di addestramento. Un'ablazione corrispondente su sei ligandi ha mostrato che sostituendo il predittore lineare con il decoder dello Stadio 2 si otteneva solo un modesto miglioramento (+0.0136 F1), suggerendo che i guadagni sono guidati principalmente dall'addestramento multi-ligando e dal condizionamento.
Prestazioni dello Stadio 3: Il modello dello Stadio 3 ha ottenuto un F1 raggruppato a livello di residuo di 0.3109 e un F1 macro per ligando di 0.2338 su ligandi precedentemente non visti (zero-shot). Sebbene ciò rappresenti una modesta diminuzione delle prestazioni sui ligandi rappresentati rispetto allo Stadio 2 (ad esempio, l'F1 macro dei ligandi sovrarappresentati è sceso da 0.5832 a 0.5526), dimostra la capacità di predire i siti di legame per identità di ligandi non visti.
Esperimenti di Controllo: Sostituire i SMILES nativi con input costanti, disallineati o rimescolati ha ridotto significativamente le prestazioni in tutti e tre i regimi di test (ad esempio, l'F1 raggruppato zero-shot è sceso da 0.3193 a 0.1335 con l'input costante). Ciò fornisce prova del fatto che il modello si affida alla specifica associazione del ligando fornita piuttosto che alla sola propensione generica del sito di legame proteico.
Analisi di Scaling: L'aumento della scala del PLM (ESM-2) ha generalmente migliorato le prestazioni in tutti i regimi, sebbene la tendenza non sia stata strettamente monotona. Al contrario, l'aumento della scala del CLM (ad esempio, UniMol-2 da 84M a 570M) ha prodotto guadagni minori e meno consistenti.
Baseline: Il modello dello Stadio 2 ha superato diverse baseline basate su sequenza e struttura (inclusi Boltz-2x, Prot2Token e LMetalSite) su specifici ioni metallici e cofattori nel set sovrarappresentato.

Significatività e Rivendicazioni
Il documento sostiene di fornire un benchmark sistematico per quantificare l'effetto della disponibilità dei dati del ligando sulla predizione del sito di legame a livello di residuo e per valutare la generalizzazione a ligandi precedentemente non visti. Gli autori sottolineano che la loro capacità zero-shot consente la predizione a livello di residuo utilizzando solo sequenze proteiche e SMILES, senza generare complessi 3D.

Lo studio conclude modestamente che, sebbene il modello dimostri una generalizzazione zero-shot, l'attuale architettura si affida a un proiettore superficiale per la fusione cross-modale, e il beneficio limitato dalla scalabilità dei CLM suggerisce che la capacità di rappresentazione proteica ha un effetto più forte sulle prestazioni nell'attuale configurazione. Gli autori chiariscono che il setting zero-shot è definito a livello di identità del ligando (ID di ligandi assenti dall'addestramento) e non implica l'assenza di sequenze o famiglie di recettori dall'addestramento. Il lavoro mira a supportare progressi riproducibili nella predizione a livello di residuo consapevole del ligando e zero-shot rilasciando codice, dati e pesi del modello.

Articoli simili