Programming Biomolecular Interactions with All-Atom Generative Model

Il paper presenta AnewOmni, un modello generativo unificato ad atomi completi che, addestrato su oltre 5 milioni di complessi biomolecolari, permette la progettazione trasferibile e guidata da prompt di diverse entità molecolari (da piccole molecole a biologici) con successo sperimentale, superando la necessità di screening ad alto rendimento e aprendo la strada a motori di ragionamento molecolare generale.

L'essenziale

Immagina di dover progettare un'arma perfetta per fermare un virus o un tumore. Fino a oggi, gli scienziati usavano "scatole degli attrezzi" completamente diverse per ogni tipo di arma: una scatola per le piccole molecole chimiche (come le pillole), un'altra per le proteine (come gli anticorpi) e un'altra ancora per l'acido ribonucleico. Era come se dovessi costruire un'auto, un aereo e una nave usando regole, linguaggi e materiali che non avevano nulla in comune, anche se tutti e tre dovevano obbedire alle stesse leggi della fisica per volare o galleggiare.

Questo articolo presenta AnewOmni, un nuovo "super-intelletto" artificiale che cambia completamente le regole del gioco. Ecco come funziona, spiegato in modo semplice:

1. Il "Lego Universale"

Immagina che tutte le molecole, dalle più piccole alle più grandi, siano fatte di mattoncini Lego.

• Il vecchio modo: Gli scienziati studiavano separatamente come costruire un piccolo castello di Lego (una pillola) e come costruire un grande castello (un anticorpo), senza mai confrontare le istruzioni.
• Il modo AnewOmni: Questo nuovo modello ha imparato a guardare tutti i mattoncini Lego allo stesso tempo. Non importa se stai costruendo una piccola casa o un grattacielo; il modello capisce che i mattoncini si incastrano in base alla loro forma e alla loro "magnetizzazione" (le interazioni fisiche). Ha studiato più di 5 milioni di complessi biologici (come se avesse letto ogni manuale di istruzioni mai scritto) per capire come i mattoncini si uniscono per creare qualcosa che funziona.

2. Il "Generatore di Idee" Programmabile

AnewOmni non si limita a copiare ciò che ha visto. È come un architetto che, dopo aver studiato milioni di case, può inventare nuovi stili che nessuno ha mai visto prima.

• Come funziona: Tu puoi dire al computer: "Costruisci una molecola che si attacchi a questo punto preciso del virus, ma deve essere ciclica (come un anello)" oppure "Deve contenere un pezzo chimico che non esiste in natura".
• L'analogia: È come dare a un cuoco stellato una lista di ingredienti specifici e dire: "Fammi un piatto che sappia di mare, ma che sia anche dolce e abbia la forma di una stella". Il modello sa come combinare gli ingredienti (gli atomi) per rispettare le tue regole, anche se quel piatto non è mai esistito prima.

3. La Sfida del "Mostro Indifendibile" (KRAS)

Per dimostrare di funzionare, gli scienziati hanno usato AnewOmni su un bersaglio famoso e terribile: il cancro al pancreas e al polmone causato da una mutazione chiamata KRAS G12D. Per anni è stato considerato "indifendibile" perché il punto su cui attaccare è piccolo, profondo e difficile da raggiungere.

• L'esperimento: Hanno chiesto al modello di creare tre tipi di "armi" diverse contro lo stesso punto debole del mostro:
  1. Una piccola pillola (molecola).
  2. Una catena di aminoacidi (peptide).
  3. Un piccolo anticorpo (nanobody).
• Il risultato: Il modello ha avuto successo! Ha creato nuove molecole e proteine che si sono attaccate al bersaglio con un'efficacia sorprendente (dal 23% al 75% di successo), senza bisogno di testare milioni di sostanze a caso. Ha trovato forme chimiche mai viste prima, diverse da quelle usate finora dai farmaci esistenti.

4. La "Chiave Nascosta" (PCSK9)

In un altro esperimento, hanno guardato una proteina che causa il colesterolo alto (PCSK9).

• Il trucco: Invece di attaccarsi al punto principale (dove si attaccano i farmaci normali), AnewOmni ha scoperto un "buco segreto" (un sito allosterico) sulla proteina che nessuno aveva notato prima.
• Il risultato: Ha progettato una piccola molecola che entra in questo buco segreto e blocca la proteina, impedendole di fare danni. Quando hanno testato questa molecola in laboratorio, si è rivelata perfetta: la sua forma corrispondeva esattamente a quella prevista dal computer, come se il modello avesse "visto" la chiave prima ancora di forgiarla.

Perché è importante?

Fino a ieri, se volevi progettare una nuova medicina, dovevi assumere team separati per le pillole, per gli anticorpi e per l'RNA. Con AnewOmni, tutto è unificato.

• Risparmio di tempo: Non serve più fare milioni di esperimenti costosi per trovare qualcosa che funziona.
• Creatività: Il modello può inventare forme chimiche "strane" o ibride che gli umani non avrebbero mai pensato di provare.
• Il futuro: È il primo passo verso un "motore di ragionamento molecolare" universale. In futuro, potremo chiedere all'AI: "Costruiscimi qualcosa che curi questa malattia, usando qualsiasi forma chimica tu voglia", e l'AI troverà la soluzione unendo la saggezza di tutte le scienze biologiche.

In sintesi, AnewOmni è come un genio universale che ha smesso di vedere le molecole come categorie separate e ha iniziato a vedere la bellezza e la logica comune che le unisce tutte, permettendoci di progettare farmaci più velocemente, più intelligentemente e con soluzioni che finora erano solo sogni.

Sommario tecnico

Titolo: Programmazione delle Interazioni Biomolecolari con un Modello Generativo All-Atom

1. Il Problema

Le interazioni biomolecolari sono fondamentali per la vita cellulare, coinvolgendo una vasta gamma di modalità molecolari: piccole molecole, peptidi, acidi nucleici (DNA/RNA) e proteine (anticorpi, nanobodies). Tuttavia, le strategie di progettazione per queste diverse classi di molecole rimangono frammentate e separate.

• Discontinuità Metodologica: Tradizionalmente, piccoli farmaci, peptidi e anticorpi sono progettati utilizzando rappresentazioni, regole e protocolli computazionali distinti, riflettendo divergenze storiche nelle tecnologie chimiche e biologiche piuttosto che nei meccanismi fondamentali di riconoscimento molecolare.
• Limiti degli Approcci Esistenti:
  • I modelli generativi attuali spesso si basano su rappresentazioni specifiche per modalità (es. token di amminoacidi per le proteine, atomi per le piccole molecole), limitando la trasferibilità dei principi fisici condivisi tra le diverse scale.
  • Modelli come AlphaFold3 e Boltz2 eccellono nella predizione della struttura ma non nella progettazione generativa di nuovi leganti.
  • Gli approcci esistenti faticano a gestire chimiche ibride o non convenzionali (es. amminoacidi non canonici, scaffold ciclici) e non riescono a generalizzare oltre le distribuzioni di dati osservate durante l'addestramento.

2. Metodologia: AnewOmni

Gli autori presentano AnewOmni, un modello fondazionale generativo unificato addestrato su oltre 5 milioni di complessi biomolecolari. L'obiettivo è unificare la progettazione di leganti attraverso diverse modalità molecolari mantenendo la risoluzione atomica.

• Rappresentazione Unificata (Atom-to-Block):
  • Invece di trattare atomi o intere molecole come entità separate, il modello organizza gli atomi in blocchi di costruzione chimicamente significativi (es. amminoacidi canonici, nucleobasi, frammenti molecolari frequenti estratti da ChEMBL).
  • Questi blocchi vengono mappati in uno spazio latente geometrico condiviso tramite un Autoencoder Variazionale (VAE) all-atom. Questo VAE codifica i dettagli atomici e i prior strutturali in punti latenti a bassa dimensionalità.
• Generazione tramite Diffusione Latente:
  • La generazione avviene attraverso un processo di diffusione latente su nuvole di punti. Il modello impara a denoizzare i punti latenti condizionati dal sito di legame del target, preservando sia le geometrie di interazione atomiche trasferibili sia i prior strutturali specifici della modalità.
• Prompt Grafici Programmabili:
  • Una caratteristica innovativa è l'introduzione di prompt basati su grafi che permettono un controllo esplicito durante la generazione. Gli utenti possono imporre vincoli chimici, topologici e geometrici a livello di nodi o spigoli del grafo latente.
  • Esempi di controllo: ciclizzazione di peptidi (legami disolfuro o testa-coda), inserimento di amminoacidi non canonici (ncAA), crescita molecolare su scaffold esistenti, e vincoli di ancoraggio su residui specifici del target.

3. Contributi Chiave

1. Unificazione delle Modalità: È il primo framework a dimostrare che l'addestramento congiunto su piccole molecole, peptidi e anticorpi in uno spazio latente unificato migliora le prestazioni di ciascuna modalità rispetto ai modelli specializzati.
2. Trasferibilità dei Principi Fisici: Il modello apprende e trasferisce pattern di interazione e vincoli fisici tra modalità diverse (es. un piccolo farmaco impara a mimare interazioni tipiche degli anticorpi).
3. Generalizzazione Zero-Shot: Il modello riesce a progettare leganti per target mai visti durante l'addestramento, inclusi RNA, DNA, glicani e siti di fosforilazione, senza dati specifici di training per queste classi.
4. Controllo Programmabile: La capacità di guidare la generazione verso chimiche non convenzionali (es. peptidi ciclici, legami covalenti) senza riaddestramento.

4. Risultati Sperimentali

A. Validazione In Silico:

• Su benchmark pubblici, AnewOmni supera i modelli generativi specifici per modalità (State-of-the-Art) in termini di validità fisica, energia di legame e fedeltà distributiva.
• Generalizzazione: Su 139 target di RNA/DNA, il modello ha generato leganti con energie di legame superiori al 50-80% di quelle dei leganti nativi. Ha mostrato un segnale discriminativo zero-shot (AUC=0.77) su dataset RNA-piccole molecole mai visti in training.
• Validità Fisica: Mantiene alta validità fisica anche per molecole di peso molecolare elevato, superando i limiti dei modelli tradizionali.

B. Validazione Sperimentale su KRAS G12D:

• Target: Il sito "Switch II" di KRAS G12D, un target oncologico notoriamente difficile ("undruggable").
• Risultati:
  • Piccole Molecole: Ha identificato nuovi scaffold chimici (bassa similarità Tanimoto con MRTX1133) con IC50 di 24 µM e 36 µM.
  • Peptidi: Ha ottenuto tassi di successo del 23% (lineari) e 35% (ciclici), con IC50 fino a 2.37 µM.
  • Nanobodies: Ha raggiunto un tasso di successo del 75% (convalida strutturale) e 33% (basato sulla likelihood), con un'affinità (Kd) di 587 nM.
• Implicazione: Ha dimostrato che un singolo modello può generare leganti funzionali su scale diverse (da piccole molecole a biologici) per lo stesso sito.

C. Validazione Sperimentale su PCSK9:

• Target: PCSK9, regolatore del colesterolo LDL.
• Approccio Ibrido:
  1. Inibitori Ortosterici (Peptidi): Progettazione di peptidi che bloccano direttamente l'interazione PCSK9-LDLR (tasso di successo 57%, Kd fino a 3.19 µM).
  2. Inibitori Allosterici (Piccole Molecole): Utilizzando AlphaFold3, è stato identificato un sito allosterico criptico. AnewOmni ha progettato piccole molecole che si legano a questo sito, inibendo la secrezione di PCSK9.
• Conferma Strutturale: La struttura cristallina di un composto progettato (PCSK9-compound-3) ha confermato la precisione del modello con un RMSD di 0.92 Å rispetto alla struttura generata.
• Meccanismo d'Azione: Gli sperimentalmente hanno dimostrato che il composto modula l'espressione di LDLR in modo comparabile a farmaci in trial clinici, confermando un meccanismo di inibizione della secrezione.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso motori di ragionamento molecolare generali.

• Superamento dei Silos: Dimostra che le barriere tra chimica medicinale, biologia strutturale e ingegneria proteica possono essere abbattute attraverso un approccio fondazionale unificato.
• Efficienza: Riduce la necessità di screening ad alto rendimento (HTS) specifici per modalità, permettendo la scoperta di leganti con validazione a basso throughput.
• Futuro: Apre la strada alla progettazione di chimiche ibride e non convenzionali in regimi dove i dati sperimentali e l'intuizione umana sono limitati, promettendo di accelerare la scoperta di farmaci per target complessi e "indrugabili".

In sintesi, AnewOmni non è solo un modello di generazione, ma una piattaforma unificata che sfrutta i principi fisici condivisi del riconoscimento molecolare per progettare soluzioni terapeutiche trasversali, dalla scala atomica a quella macroscopica delle proteine.