CROWN: Curated Repository Of Well-resolved Noncovalent interactions

Il paper introduce CROWN, un nuovo dataset curato e pronto per l'apprendimento automatico di 153.005 complessi proteina-ligando che risolve il compromesso tra copertura e qualità dei dati esistenti attraverso un pipeline di pre-elaborazione automatizzata e minimizzazione energetica vincolata, offrendo una diversità strutturale quattro volte superiore a quella di PDBBind e HiQBind.

L'essenziale

Immagina di voler insegnare a un robot a capire come funzionano i farmaci all'interno del corpo umano. Per farlo, il robot ha bisogno di "libri di testo" pieni di disegni precisi che mostrano come le molecole dei farmaci (i ligandi) si incastrano perfettamente nelle tasche delle proteine (come chiavi in una serratura).

Il problema è che, finora, gli scienziati avevano solo due tipi di libri di testo, e nessuno dei due era perfetto:

1. I libri "Premium": Erano disegnati a mano con cura maniacale, perfetti nei dettagli, ma ce n'erano pochissimi (come una biblioteca con solo 30.000 pagine).
2. I libri "Massa": Erano enormi, con milioni di pagine, ma pieni di errori di battitura, disegni sbiaditi e pagine strappate. Se usavi questi per addestrare il robot, lui imparava a fare errori.

CROWN è la soluzione a questo dilemma. È un nuovo, gigantesco "archivio digitale" creato da ricercatori belgi (dall'Università di Leuven) che combina la quantità dei libri enormi con la qualità di quelli premium.

Ecco come funziona, spiegato con delle metafore semplici:

1. Il Grande Setaccio (Il Filtro)

Gli scienziati hanno preso un mucchio enorme di disegni grezzi (quasi 650.000) dal database mondiale PDB. Immagina di avere un sacco di sabbia mista a sassi, conchiglie e spazzatura.
Hanno costruito un setaccio automatico molto intelligente che ha fatto tre cose principali:

• Ha buttato via la spazzatura: Ha eliminato i disegni sfocati (risoluzione bassa), le molecole che non sono veri farmaci (come ioni o cristalli di sale) e le parti mancanti del disegno.
• Ha riparato i danni: Se un disegno aveva un braccio mancante o due pezzi che si sovrapponevano in modo impossibile (come due persone che si attraversano a vicenda), il setaccio li ha "aggiustati" automaticamente.
• Ha messo le etichette giuste: Ha aggiunto gli atomi di idrogeno mancanti (che spesso non si vedono nei raggi X) e ha assicurato che tutto fosse carico elettricamente come nel corpo umano a temperatura corporea.

2. La "Pazza" di Rilassamento (Minimizzazione dell'Energia)

Questa è la parte più geniale e nuova.
Immagina che i disegni originali siano come delle foto scattate in una stanza buia: a volte le persone sono un po' storte o si toccano in modo innaturale perché la foto è un po' mossa.
CROWN non si limita a pulire la foto; fa un esercizio di "rilassamento controllato".

• Prende la struttura e la fa "respirare" per un attimo.
• Usa delle molle invisibili (restrizioni): tiene ferma la struttura principale della proteina (come se fosse un muro solido) ma lascia che la zona dove il farmaco si attacca si muova leggermente per trovare la posizione più comoda e naturale, senza però allontanarsi troppo dalla foto originale.
• È come se prendessi un origami un po' stropicciato e lo lisciassi delicatamente: mantieni la forma generale, ma togli le pieghe strane che non hanno senso fisico.

3. Il Risultato: Un Museo Perfetto

Alla fine di questo processo, sono rimasti 153.000 disegni perfetti.

• È 4 volte più grande delle biblioteche "Premium" precedenti.
• È più vario: Contiene proteine di molti più animali e piante, e farmaci di forme più strane e complesse (non solo le classiche "palline" semplici).
• È pulito: Non ci sono errori, atomi mancanti o sovrapposizioni impossibili.

Perché è importante?

Prima, per addestrare l'Intelligenza Artificiale a prevedere come agiscono i farmaci, gli scienziati dovevano scegliere tra avere tanti dati ma brutti (e rischiare che l'AI imparasse cose sbagliate) o pochi dati ma belli (e rischiare che l'AI non sapesse riconoscere le situazioni nuove).

Con CROWN, ora hanno un "palestra" enorme e perfetta. L'AI può imparare da milioni di esempi corretti, diventando molto più brava a:

• Prevedere come un nuovo farmaco si legherà a una proteina.
• Progettare farmaci da zero.
• Capire perché certi farmaci funzionano e altri no.

In sintesi, CROWN è come aver trasformato una montagna di mattoni grezzi e rotti in un palazzo di cristallo perfettamente costruito, pronto per essere studiato da chiunque voglia capire la magia della vita a livello molecolare. E la cosa fantastica è che questo "palazzo" è gratuito e aperto a tutti!

Sommario tecnico

1. Il Problema: Il Compromesso tra Qualità e Quantità

Il campo dell'apprendimento automatico (machine learning) per le interazioni proteina-ligando è attualmente limitato dalla scarsità di dati strutturali di alta qualità e diversificati. Le risorse esistenti presentano un compromesso insoddisfacente:

• Dataset curati manualmente (es. PDBBind, HiQBind): Offrono un'alta affidabilità strutturale ma coprono solo una frazione limitata della diversità chimica e biologica del Protein Data Bank (PDB), spesso limitandosi a poche decine di migliaia di voci.
• Dataset su larga scala (es. PLInder): Coprono quasi l'intero PDB (circa 650.000 voci) con una vasta diversità, ma applicano filtri di qualità minimi. Questo introduce "rumore" sistematico nel training (atomi non risolti, clash sterici, assegnazioni di legami errate), compromettendo l'affidabilità dei modelli.
• Dipendenza dall'affinità di legame: Molti benchmark si basano su dati sperimentali di affinità, che sono disponibili solo per un sottoinsieme di strutture e introducono bias noti (condizioni di assay eterogenee).

2. Metodologia: La Pipeline CROWN

CROWN è un dataset pronto per il machine learning, derivato da una sottosezione rigorosamente pre-processata di PLInder (versione 2024-06/v2). La pipeline è completamente automatizzata e applica una serie di filtri di qualità e stadi di elaborazione strutturale per trasformare 649.915 sistemi iniziali in 153.005 complessi finali.

La pipeline si articola in 5 filtri di qualità e 2 stadi di elaborazione strutturale:

Filtri di Qualità

1. Qualità Strutturale: Selezione di strutture cristallografiche a raggi X con risoluzione $\le$ 3.0 Å. Vengono applicati criteri rigorosi sul fit della densità elettronica: Real-space R-value (RSR) < 0.3 e Real-space Correlation Coefficient (RSCC) > 0.8.
2. Qualità del Ligando: Rimozione di artefatti di cristallizzazione, ioni, legami covalenti (se non cofattori specifici) e ligandi con elementi rari (B, Se, Si) o legami di coordinazione metallica non supportati dai campi di forza.
3. Qualità della Tasca (Pocket): Esclusione di complessi con atomi proteici mancanti entro 6 Å dal ligando o con residui non standard nella tasca di legame.
4. Qualità dell'Interazione: Filtraggio basato sul numero di contatti stretti (>10) e rimozione di voci ridondanti (stessa PDB ID, stessa posa di legame).
5. Stabilità del Complesso: Controllo finale post-minimizzazione per garantire che le deviazioni strutturali (RMSD) siano entro limiti accettabili.

Stadi di Elaborazione Strutturale

1. Correzioni Strutturali:
   • Rimozione di artefatti di cristallizzazione.
   • Ricostruzione di residui e atomi mancanti.
   • Sostituzione di residui non standard (fuori dalla tasca) con equivalenti standard.
   • Risoluzione di clash sterici e riparazione della connettività dei legami.
2. Minimizzazione dell'Energia Vincolata (Innovazione Chiave):
   • Assegnazione degli stati di protonazione a pH 7.4.
   • Utilizzo di OpenMM e campi di forza specifici (ff19SB per proteine, OpenFF 2.2.0 per ligandi).
   • Protocollo di Minimizzazione: Utilizza un potenziale di "fondo piatto" (flat-bottomed) per gli atomi pesanti nella tasca di legame. Questo permette agli atomi di muoversi liberamente entro l'incertezza cristallografica (0.25 Å) senza penalità energetica, rilassando i clash sterici e le tensioni intramolecolari, ma mantenendo la fedeltà alla geometria sperimentale. Gli atomi fuori dalla tasca sono vincolati rigidamente.

3. Contributi Chiave

• Scalabilità e Diversità: CROWN offre un aumento di circa 4 volte nella diversità proteica e tassonomica rispetto a PDBBind e HiQBind (12.352 accessi UniProt unici, 3.209 specie).
• Copertura Chimica: Include 26.746 identificatori CCD unici e 13.523 scaffold Murcko, raddoppiando la copertura chimica rispetto alle risorse curate esistenti, includendo ligandi più grandi e complessi (es. PROTAC, macrocicli).
• Filosofia Centrata sulla Geometria: Il dataset non dipende da etichette di affinità di legame. Tratta la disposizione 3D degli atomi all'interfaccia come una fonte di informazione autonoma e coerente, permettendo l'inclusione di migliaia di strutture ben risolte prive di dati di affinità.
• Uniformità Strutturale: La minimizzazione dell'energia vincolata uniforma le pratiche di raffinamento eterogenee dei diversi cristallografi, producendo complessi strutturalmente uniformi senza distorcere la geometria di legame osservata sperimentalmente.
• Qualità Garantita: Il dataset finale ha zero voci con atomi di ligando non risolti, legami mancanti, clash sterici o residui non standard nella tasca di legame.

4. Risultati e Statistiche

• Volume Dati: Da 649.915 sistemi iniziali, la pipeline produce 153.005 complessi finali.
• Efficienza della Pipeline: Gli stadi di correzione strutturale hanno un tasso di successo del 99,99%, mentre la minimizzazione dell'energia ha un tasso di successo del 97,9%.
• Distribuzione delle Proprietà: A differenza di PDBBind (che sottorappresenta ligandi voluminosi), CROWN mantiene una distribuzione più ampia e realistica del peso molecolare e delle proprietà fisico-chimiche, essenziale per la generalizzazione dei modelli ML.
• Analisi RMSD: La minimizzazione induce spostamenti medi bassi (0.22 Å per gli atomi pesanti della tasca, 0.27 Å per il ligando), confermando che le correzioni avvengono principalmente entro l'incertezza cristallografica, mentre gli atomi di idrogeno (non vincolati) mostrano una maggiore ottimizzazione per formare reti di legami idrogeno realistiche.

5. Significato e Impatto

CROWN colma il divario critico tra la necessità di grandi volumi di dati per l'addestramento di modelli generativi (come i modelli di diffusione) e la necessità di dati strutturalmente puri.

• Applicazioni: È ideale per l'addestramento di modelli generativi di pose di legame, lo sviluppo di funzioni di scoring basate sulla conoscenza e il benchmarking di metodi di predizione delle interazioni.
• Accessibilità: Il dataset è disponibile gratuitamente tramite un'interfaccia web interattiva che permette ricerche avanzate, visualizzazione 3D e download in blocco (file PDB e SDF).
• Sostenibilità: La pipeline è open-source e può essere rigenerata automaticamente con nuovi rilasci di PLInder, garantendo aggiornamenti sistematici e riproducibili.

In sintesi, CROWN rappresenta una risorsa fondamentale per la biologia strutturale e la chemioinformatica, fornendo un set di dati su larga scala che combina la diversità dei dati grezzi con la rigore della curatela manuale, abilitando la prossima generazione di modelli di intelligenza artificiale per il riconoscimento molecolare.