AlphaFind v2: Similarity Search in AlphaFold DB and TED Domains across Structural Contexts

Il documento presenta AlphaFind v2, un'applicazione che accelera la ricerca di proteine strutturalmente simili nel database AlphaFold e nei domini TED, integrando filtri basati su embedding e allineamenti US-align per offrire modalità di ricerca flessibili, tra cui l'analisi per organismi, domini e regioni strutturalmente stabili.

L'essenziale

Immagina di avere una biblioteca immensa, più grande di qualsiasi cosa tu abbia mai visto, contenente i "disegni" tridimensionali di quasi tutte le proteine che esistono in natura. Queste proteine sono come i mattoncini LEGO della vita: se sai come sono fatti, puoi capire cosa fanno e come funzionano.

Per anni, abbiamo avuto solo i disegni di poche proteine (quelle che potevamo "fotografare" in laboratorio). Ma ora, grazie all'intelligenza artificiale (AlphaFold), abbiamo 240 milioni di nuovi disegni predetti. È un oceano di dati!

Il problema? Trovare un ago in un pagliaio è difficile. Trovare una proteina simile a un'altra in mezzo a 240 milioni di strutture è come cercare di confrontare ogni singolo mattone LEGO di un castello gigante con tutti gli altri, uno per uno. Ci vorrebbe un'eternità.

AlphaFind v2 è la soluzione a questo problema. Ecco come funziona, spiegato in modo semplice:

1. Il "Cercatore di Somiglianze" Super Veloce

Immagina di dover trovare un libro simile a quello che hai in mano in una biblioteca di 240 milioni di volumi.

• Il vecchio metodo (lento): Leggere ogni parola di ogni libro per vedere se è uguale al tuo.
• Il metodo AlphaFind v2 (veloce): Prima, guarda solo la "copertina" e il "riassunto" (questi sono i vettori di embedding, ovvero una sorta di "impronta digitale" matematica della forma della proteina). Questo permette di scartare subito 99,9% dei libri che non servono e concentrarsi solo sui 100 più simili.
• Il controllo finale: Una volta trovati i 100 candidati, il sistema fa un controllo più preciso (come leggere le prime pagine) per confermare che siano davvero simili.

2. Non tutte le parti sono uguali (Il filtro "pLDDT")

A volte, quando l'intelligenza artificiale disegna una proteina, alcune parti sono molto chiare e precise, mentre altre sono un po' sfocate (come se fossero disegnate con una mano tremante).
AlphaFind v2 ti permette di dire: "Voglio cercare somiglianze solo nelle parti nitide e sicure del disegno".

• Analogia: Immagina di cercare un amico in una folla. Se lui ha il viso sfocato nella foto, è difficile riconoscerlo. Ma se dici al sistema: "Cercalo solo se ha il viso nitido (pLDDT > 90)", il sistema ignora le parti confuse e si concentra solo sulla faccia chiara, trovando l'amico molto più facilmente.

3. I "Moduli" invece dell'intero (I domini TED)

Le proteine sono spesso fatte di pezzi diversi messi insieme, come un set di LEGO con torri, ponti e ruote. A volte, non ti interessa l'intera macchina, ma solo la "ruota" o il "ponte".
AlphaFind v2 può cercare specificamente questi pezzi (chiamati domini).

• Esempio: Se hai una proteina che è un "ponte" attaccato a una "torre", puoi cercare solo altri "ponti" simili, ignorando le torri. Questo aiuta a capire come la natura ricicla gli stessi pezzi per costruire cose diverse.

4. La modalità "Multidominio" (Il puzzle complesso)

C'è un caso speciale: cosa succede se vuoi trovare una proteina che ha sia il ponte sia la torre, messi nello stesso ordine?
AlphaFind v2 ha una modalità speciale che ti permette di pesare i pezzi. Puoi dire: "Fammi vedere se la ruota A corrisponde alla ruota B, ma ignora per un attimo la torre". È come avere un controllo di volume per ogni pezzo del puzzle, permettendoti di vedere le somiglianze anche se il disegno completo è un po' diverso.

Perché è importante?

Prima, per trovare queste somiglianze, servivano supercomputer e giorni di calcolo. Ora, con AlphaFind v2, puoi fare queste ricerche in pochi secondi direttamente dal tuo browser, come se stessi cercando su Google.

In sintesi:
AlphaFind v2 è come un detective super intelligente che, invece di leggere ogni singola lettera di un libro di 240 milioni di pagine, guarda le immagini, filtra le parti sfocate e ti mostra in un attimo quali storie sono simili alla tua, aiutando gli scienziati a capire meglio come funzionano le malattie, i farmaci e la vita stessa.

È disponibile gratuitamente online per chiunque voglia esplorare questo universo di forme biologiche!

Sommario tecnico

Titolo e Contesto

Il paper presenta AlphaFind v2, una nuova applicazione web per la ricerca rapida di proteine strutturalmente simili all'interno dell'AlphaFold Protein Structure Database (AFDB) e del database TED (The Encyclopedia of Domains).

Il Problema

La disponibilità di collezioni di strutture proteiche su larga scala (oltre 240 milioni di strutture predette da AlphaFold) ha reso possibile un'analisi funzionale ed evolutiva basata sulla struttura, andando oltre i limiti dell'analisi sequenziale. Tuttavia, esistono due sfide principali:

1. Costo Computazionale: Il confronto esatto delle strutture tridimensionali (allineamento strutturale) è computazionalmente oneroso, rendendo impossibile l'esplorazione pratica di database contenenti centinaia di milioni di strutture.
2. Rumore Strutturale: Le strutture predette da AlphaFold contengono regioni a bassa confidenza (spesso disordinate) che possono distorcere i risultati delle ricerche di omologia se incluse indiscriminatamente.

Metodologia

AlphaFind v2 adotta un approccio ibrido che combina ricerca approssimata basata su embedding e raffinamento basato su allineamento esatto, strutturato in tre fasi:

1. Pre-filtraggio tramite Embedding (Fase 1 e 2):

   • Le strutture proteiche vengono convertite in vettori di embedding (rappresentazioni a bassa dimensionalità che preservano le informazioni geometriche).
   • Per le catene complete di AlphaFold, vengono utilizzati embedding a 1536 dimensioni generati dal modello ESM3.
   • Per i domini TED, vengono utilizzati embedding pre-calcolati a 128 dimensioni (Foldclass).
   • Viene eseguita una ricerca di k-nearest neighbor (k=100) approssimata utilizzando un database vettoriale (OpenSearch con indice HNSW) per identificare rapidamente i candidati più simili basandosi sulla distanza coseno.

2. Raffinamento Strutturale (Fase 3):

   • I candidati identificati vengono sottoposti a un allineamento strutturale esatto utilizzando l'algoritmo US-align.
   • Vengono calcolati metriche precise come TM-score, RMSD (Root Mean Square Deviation) e l'allineamento delle sequenze.
   • Questa fase avviene in background per non bloccare l'interfaccia utente, permettendo di aggiornare la classifica dei risultati senza cambiare l'insieme dei candidati iniziali.

3. Modalità di Ricerca Multiple:
   Il sistema offre diverse modalità di ricerca per adattarsi a contesti biologici specifici:

   • Full-chain: Ricerca su intere catene proteiche.
   • pLDDT-filtered: Filtra le regioni della struttura in base al punteggio di confidenza pLDDT di AlphaFold (soglie $\ge$ 70, 80, 90), ignorando le regioni instabili o disordinate.
   • TED Domains: Ricerca specifica su singoli domini definiti nel database TED.
   • TED Multidomain: Combina più corrispondenze di domini in un singolo punteggio e allineamento, permettendo all'utente di regolare i pesi di ciascun dominio tramite slider interattivi.

Contributi Chiave

• Accessibilità e Velocità: AlphaFind v2 è accessibile via web, indipendente dalla piattaforma e non richiede login. Offre risultati approssimati in pochi secondi (ordine di grandezza più veloce rispetto ai metodi precedenti).
• Gestione della Confidenza (pLDDT): La capacità di escludere le regioni a bassa confidenza permette di trovare omologhi che verrebbero persi nelle ricerche tradizionali a catena intera a causa di "rumore" strutturale.
• Ricerca Multidominio: La modalità "TED Multidomain" permette di catturare l'architettura complessa delle proteine (ordine e combinazione dei domini) piuttosto che cercare singoli domini isolati, offrendo un controllo fine sull'allineamento 3D.
• Integrazione Dati: Il sistema incrocia le strutture predette con quelle sperimentali (PDB) e fornisce metadati ricchi (organismo, gene, nome proteina).

Risultati e Prestazioni

Le prestazioni sono state valutate su un set di query composto da 2050 proteine multidominio e 4420 domini TED:

• Velocità: AlphaFind v2 è significativamente più veloce dei metodi concorrenti.
  • Per le catene complete, restituisce risultati approssimati in 2.40 secondi (vs 42s di FoldSeek e 93s di AlphaFind v1).
  • Per i domini, impiega 0.49 secondi (vs 146s di Merizo-search).
• Qualità (TM-Score): Nonostante l'uso di metodi approssimati per il pre-filtraggio, i risultati raffinati mostrano un TM-score medio statisticamente superiore rispetto ai metodi di confronto.
  • Nel modo "Full-chain", il TM-score medio per i primi 10 risultati è 0.733 (vs 0.596 di FoldSeek).
  • Nel modo "Domains", il TM-score medio è 0.947 (vs 0.865 di Merizo-search).
• Casi Studio:
  • PIN3 (Arabidopsis thaliana): La ricerca con filtro pLDDT $\ge$ 90 ha permesso di identificare omologhi nel soia con un TM-score di 0.947, che erano invisibili nella ricerca a catena intera a causa di loop intrinsecamente disordinati.
  • NCAM1: La modalità multidominio ha permesso di identificare proteine con architetture simili di domini immunoglobulinici e fibronectina, evidenziando relazioni evolutive complesse.

Significato

AlphaFind v2 rappresenta un passo avanti cruciale nell'analisi strutturale su larga scala. Risolve il compromesso tra velocità e accuratezza, permettendo ai ricercatori di esplorare l'enorme spazio delle strutture predette da AlphaFold in modo interattivo e biologicamente rilevante. La capacità di filtrare per confidenza e di analizzare architetture multidominio rende lo strumento essenziale per studi di evoluzione proteica, funzione e ingegneria delle proteine, democratizzando l'accesso a confronti strutturali complessi senza richiedere risorse computazionali locali massicce.

Il software è disponibile gratuitamente all'indirizzo: https://alphafind.ics.muni.cz/.