Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

Il paper introduce Protenix-v1, il primo modello open-source per la previsione delle strutture biomolecolari che supera le prestazioni di AlphaFold3 mantenendo gli stessi vincoli di risorse, offrendo inoltre capacità avanzate come l'integrazione di template proteici e il supporto per l'MSA dell'RNA, insieme a una variante aggiornata e nuovi strumenti di valutazione per applicazioni pratiche come la scoperta di farmaci.

L'essenziale

Immagina il mondo delle proteine come un gigantesco puzzle tridimensionale. Ogni proteina è una catena di perline che deve ripiegarsi su se stessa per assumere una forma specifica, proprio come un filo di perline che si trasforma in una scultura complessa. Sapere esattamente quale forma prenderà è fondamentale: se sbagli la forma, il "motore" della cellula si rompe, o un farmaco non riesce a incastrarsi nella serratura giusta per curare una malattia.

Fino a poco tempo fa, c'era un "campionissimo" segreto chiamato AlphaFold3 (creato da Google DeepMind) che risolveva questi puzzle meglio di chiunque altro, ma era un "castello chiuso": nessuno sapeva come funzionava dentro e non si poteva usare liberamente. Tutti gli altri tentativi di costruire un "campionissimo" open-source (aperto a tutti) erano come bambini che cercavano di battere un campione olimpico: ci provavano, ma rimanevano indietro.

Ecco come Protenix-v1 cambia le regole del gioco:

1. Il Nuovo Campione Open-Source

I creatori di Protenix-v1 (un team di ByteDance, la società madre di TikTok) hanno costruito un nuovo modello che, per la prima volta, batté o pareggiò AlphaFold3 usando gli stessi identici "ingredienti" (stessi dati di allenamento, stessa potenza di calcolo).

• L'analogia: Immagina due cuochi che devono preparare lo stesso piatto. Uno usa una ricetta segreta (AlphaFold3), l'altro usa ingredienti pubblici (Protenix-v1). Fino a oggi, il cuoco pubblico faceva piatti un po' meno buoni. Con Protenix-v1, il cuoco pubblico ha finalmente preparato un piatto indistinguibile, o addirittura migliore, da quello del campione segreto, ma con la ricetta pubblica in mano a tutti.

2. La Magia del "Fare più Tentativi" (Scaling)

Una delle scoperte più affascinanti è come Protenix-v1 migliora quando gli dai più tempo e risorse.

• L'analogia: Pensa a un archer che deve colpire un bersaglio molto difficile.
  • I vecchi modelli open-source erano come un archer che scoccava una freccia e basta: o centrava il bersaglio o no.
  • Protenix-v1 è come un archer che scocca 100 frecce in rapida successione. Più frecce scocca (più "budget di calcolo" usi), più è probabile che una di esse colpisca il centro esatto.
  • Questo comportamento, chiamato scaling all'infinito, permette agli utenti di scegliere: "Voglio una risposta veloce e buona?" (pochi tentativi) oppure "Voglio la risposta perfetta, anche se ci metto un po' di più?" (molti tentativi). È come avere un interruttore per bilanciare velocità e precisione.

3. Gli Strumenti Extra: RNA e Modelli

Il modello non solo è bravo a indovinare le proteine, ma è stato addestrato anche a capire:

• L'RNA: Come se imparasse a leggere non solo le istruzioni scritte, ma anche i "post-it" che le proteine si scambiano.
• I Modelli (Template): Se hai già visto un puzzle simile in passato, Protenix-v1 sa guardare quel vecchio puzzle per aiutarti a risolvere quello nuovo, invece di ricominciare da zero.

4. Due Versioni per Due Scopi

I ricercatori hanno rilasciato due versioni del modello, come se avessero due attrezzi diversi nel kit:

1. Protenix-v1 (La versione "Pura"): Addestrata su dati fino a una certa data. Serve per fare confronti equi e scientifici, per vedere chi è davvero il migliore senza che uno abbia un vantaggio perché ha letto un libro pubblicato ieri.
2. Protenix-v1-20250630 (La versione "Pratica"): Addestrata su dati fino a giugno 2025. È come un medico che ha letto gli ultimi studi medici di ieri. È leggermente più potente per chi deve fare scoperte reali, come trovare nuovi farmaci oggi stesso, perché conosce strutture che sono state appena scoperte.

5. Una Misura Più Giusta

Il documento critica anche come finora abbiamo misurato le prestazioni. Spesso si confrontavano modelli su "palestre" diverse (dataset diversi), rendendo i risultati ingannevoli.

• L'analogia: È come se misurassimo la velocità di una Ferrari e di una Fiat Panda su due piste diverse: una asfaltata e una piena di buche. Protenix-v1 ha creato una pista unica e perfetta dove tutti corrono sulle stesse condizioni, per vedere chi vince davvero. Hanno anche aggiunto un sistema di "ripetizioni" (come fare 20 prove diverse) per assicurarsi che il risultato non sia solo fortuna.

In Sintesi

Protenix-v1 è un passo gigante per la scienza aperta. Dimostra che non serve avere un "segreto" proprietario per fare le cose meglio di tutti.

• È più preciso dei precedenti modelli aperti.
• È più flessibile: puoi decidere quanto "sforzo" computazionale mettere per ottenere un risultato migliore.
• È trasparente: tutti possono vederlo, usarlo e migliorarlo.

Per il futuro della medicina e della biologia, questo significa che ricercatori di tutto il mondo, non solo le grandi aziende, avranno finalmente gli strumenti per risolvere i puzzle della vita e curare malattie in modi che prima sembravano impossibili.

Sommario tecnico

Panoramica del Problema

I modelli di previsione della struttura biomolecolare sono strumenti fondamentali per la ricerca biologica e la scoperta di farmaci. Tuttavia, esiste un divario prestazionale significativo tra le implementazioni open-source attuali e i modelli chiusi all'avanguardia come AlphaFold3. Inoltre, la natura non trasparente dei modelli chiusi ostacola confronti sistematici e valutazioni imparziali. Un'altra sfida critica risiede nelle pratiche di benchmarking esistenti, che spesso soffrono di bias nei dataset, mancanza di copertura uniforme dei dati tra i diversi modelli e alta varianza statistica dovuta a set di test piccoli o non standardizzati.

Metodologia

Il team di Protenix ha sviluppato Protenix-v1, il primo modello completamente open-source in grado di raggiungere o superare le prestazioni di AlphaFold3, mantenendo rigorosamente gli stessi vincoli di:

• Data di cutoff dei dati di addestramento: Coerente con AlphaFold3.
• Scala del modello: Dimensione e parametri equivalenti.
• Budget di inferenza: Risorse computazionali simili.

Caratteristiche Tecniche Chiave:

1. Pipeline di Dati Avanzata: Il modello integra nuove funzionalità di input, tra cui il supporto per le MSA (Multiple Sequence Alignments) dell'RNA e l'integrazione di template proteici.
2. Distillazione su Larga Scala: L'addestramento include una distillazione focalizzata sul disordine e su larga scala basata su monomeri (derivata da MGnify), allineandosi strettamente ai componenti dei dati di AlphaFold3.
3. Inferenza e Scaling: Utilizza un'inferenza basata su diffusione con configurazioni iperparametriche coerenti con AlphaFold3. Un aspetto cruciale è il comportamento di scaling al momento dell'inferenza: aumentando il budget di campionamento (es. da un singolo seme a centinaia di candidati), le prestazioni migliorano in modo log-lineare, specialmente per target complessi come i complessi anticorpo-antigene.
4. Varianti del Modello:
   • Protenix-v1: Ottimizzato per confronti controllati con cutoff rigidi.
   • Protenix-v1-20250630: Una variante addestrata su un dataset più ampio (cutoff giugno 2025) per migliorare l'accuratezza in scenari reali come la scoperta di farmaci, dove i target spesso condividono omologia con strutture PDB recenti.

Contributi Chiave

1. Superamento del Divario Open-Source: Protenix-v1 dimostra che il divario prestazionale tra modelli open-source e AlphaFold3 non è fondamentale, ma risolvibile con le giuste architetture e pipeline.
2. Nuovi Benchmark e Strumenti di Valutazione:
   • Costruzione del più grande set di test disponibile, con cluster di interfacce diversificati.
   • Introduzione di suite di valutazione stratificate per anno (PXM-2024, PXM-2025, PXM-22to25).
   • Correzione del benchmark FoldBench: Gli autori hanno identificato e corretto errori nella copertura dei dati (dove diversi modelli venivano valutati su sottoinsiemi diversi a causa di fallimenti OOM o di inferenza), imponendo un'intersezione comune dei campioni per un confronto equo.
3. Dimostrazione dello Scaling dell'Inferenza: Hanno validato che aumentare il numero di campioni di inferenza (seeds) porta a miglioramenti costanti nella qualità, offrendo agli utenti un "manopola" pratica per bilanciare costo computazionale e accuratezza.
4. Validazione per la Progettazione di Farmaci: Il modello funge da filtro superiore per identificare design di leganti e anticorpi di successo, superando i modelli baselines nella capacità di distinguere tra design vincolanti e non vincolanti.

Risultati

Le valutazioni sono state condotte su diversi domini: monomeri, complessi proteina-proteina, anticorpo-antigene, proteina-ligando, proteina-RNA e proteina-DNA.

• Prestazioni Generali (FoldBench e PXM): Protenix-v1 supera i modelli open-source esistenti (come Chai-1 e Boltz-1) in tutti i domini. Rispetto ad AlphaFold3:
  • Parità o Superiorità: Ottiene prestazioni superiori o paragonabili su complessi proteina-proteina e anticorpo-antigene.
  • Punti di Forza: Mostra guadagni significativi (10-30% in più) nella selezione di strutture ad alta qualità basata sui punteggi di confidenza (ipTM, pTM).
  • Confronto Diretto: Su FoldBench, Protenix-v1 supera AlphaFold3 nella previsione delle interfacce proteina-proteina e anticorpo-antigene, mentre mantiene prestazioni competitive su proteina-ligando e DNA.
• Scaling dell'Inferenza: Sul benchmark PXM-22to25-Antibody, l'aumento dei semi di campionamento da 1 a 100 ha portato il DockQ Success Rate dal 36% al 47,68%.
• Varianti Addestrate su Dati Recenti: La variante Protenix-v1-20250630 mostra miglioramenti sostanziali rispetto alla versione base su compiti specifici (es. anticorpo-antigene su PXM-2025H2), confermando il valore dell'aggiornamento dei dati di addestramento per applicazioni pratiche.
• Filtri di Design: Protenix-v1 raggiunge i punteggi AUC (Area Under Curve) più alti nella maggior parte dei target di design di leganti, superando i modelli concorrenti nella capacità di filtrare i candidati promettenti.

Significato e Impatto

Protenix-v1 rappresenta una pietra miliare per l'ecosistema open-source nella biologia computazionale:

1. Democratizzazione dell'Accesso: Fornisce un modello di livello AlphaFold3 completamente aperto, rimuovendo le barriere all'ingresso per la ricerca e l'industria.
2. Rigorosa Valutazione Scientifica: Il lavoro ridefinisce gli standard di valutazione, introducendo protocolli che correggono i bias dei dataset e gestiscono la varianza statistica, offrendo un framework più trasparente e affidabile per il confronto futuro.
3. Applicabilità Pratica: La disponibilità di varianti addestrate su dati recenti e la dimostrazione dello scaling dell'inferenza rendono il modello immediatamente utile per scenari reali come la scoperta di farmaci e la progettazione di proteine, dove la precisione e l'adattabilità sono critiche.
4. Fondazione per il Futuro: Stabilisce una base solida per la ricerca futura su inferenza scalabile, metodologie di valutazione e modelli biomolecolari open-source.

In sintesi, Protenix-v1 non solo chiude il divario prestazionale con i modelli chiusi, ma eleva anche gli standard metodologici dell'intera comunità di ricerca.