Benchmarking antibody-antigen co-folding on human monomeric antigens

Nel mondo microscopico del sistema immunitario umano, gli anticorpi agiscono come chiavi altamente specializzate, progettate per incastrarsi perfettamente nelle serrature presentate da virus invasori o proteine nocive. Per decenni, gli scienziati hanno sognato di poter prevedere esattamente come queste chiavi e serrature si incastrino tra loro semplicemente guardando i loro progetti chimici. Questa capacità rivoluzionerebbe la medicina, permettendo ai ricercatori di progettare nuovi farmaci e vaccini senza dover costruire e testare ogni singola versione in un laboratorio. Tuttavia, questa previsione è rimasta uno dei rompicapi più ostinati della biologia. Sebbene i computer siano diventati eccellenti nel dedurre come due proteine possano aderire l'una all'altra, gli anticorpi sono un caso speciale. A differenza della maggior parte delle proteine che si evolvono insieme ai loro partner, gli anticorpi si evolvono indipendentemente, il che significa che mancano di quella storia evolutiva condivisa che aiuta i computer a fare ipotesi accurate. Inoltre, la parte dell'anticorpo che effettivamente afferra il bersaglio è un loop flessibile e oscillante che cambia forma costantemente, rendendo incredibilmente difficile modellarlo con gli strumenti standard.

Un team di ricercatori si è posto l'obiettivo di misurare quanto progresso abbia fatto l'ultima generazione di programmi informatici nel risolvere questo specifico enigma. Hanno raccolto una vasta collezione di 412 esempi reali di anticorpi legati a proteine umane, creando un set di test rigoroso che non era mai stato visto dai programmi informatici prima della loro creazione. Eseguendo dieci diversi metodi di previsione contro questi nuovi dati, hanno scoperto che l'ultimo software ha compiuto un salto drammatico in avanti, riuscendo a prevedere la forma corretta per circa la metà dei nuovi casi non ancora visti. Tuttavia, lo studio ha anche rivelato che anche i programmi migliori faticano ancora con le parti più flessibili e che il semplice fatto di tentare più volte non porta sempre a una risposta migliore. I ricercatori hanno scoperto che, se potessero dire al computer esattamente dove l'anticorpo dovrebbe toccare il bersaglio, i programmi più vecchi potrebbero raggiungere il livello di quelli nuovi, suggerendo che l'ostacolo principale non sia solo l'intelligenza del software, ma la sua capacità di trovare il punto di partenza corretto in un vasto mare di possibilità.

I ricercatori hanno iniziato assemblando un benchmark chiamato HuMonoAg-Bench, una libreria curata di 412 complessi anticorpali che coinvolgono proteine umane. Hanno suddiviso attentamente questa collezione in due gruppi in base a quando le strutture sono state scoperte. Un gruppo consisteva di 278 complessi pubblicati prima di settembre 2021, una data che funge da limite per i dati di addestramento di molti strumenti di previsione moderni. L'altro gruppo conteneva 134 complessi pubblicati dopo tale data, garantendo che i programmi informatici non avessero mai visto queste specifiche forme prima d'ora. Per rendere il test ancora più preciso, hanno ulteriormente diviso il nuovo gruppo in quelli che coinvolgevano antigeni molto simili a quelli precedenti e quelli che erano completamente nuovi. Questa configurazione ha permesso loro di testare se i computer stessero semplicemente memorizzando vecchi esempi o se stessero davvero imparando a prevedere nuove interazioni. Hanno poi eseguito dieci diversi protocolli di co-folding — metodi che simulano come due proteine si ripiegano insieme — contro questo dataset, confrontando i risultati con le strutture sperimentali reali per vedere quanto fossero vicine le previsioni.

I risultati hanno mostrato un miglioramento chiaro e significativo nei metodi più recenti rispetto a quelli più vecchi. Nel prevedere le strutture dei nuovi complessi non ancora visti, il software più datato è riuscito a trovare una forma corretta o quasi corretta in solo circa il 16-22% dei casi. Al contrario, i metodi più avanzati, come Protenix v2, IntelliFold-2 ed ESMFold2, sono riusciti a trovare un modello di qualità media o superiore in circa il 33-52% degli stessi casi. Il miglior performer, Protenx v2, ha raggiunto un tasso di successo del 52% per gli anticorpi standard e un tasso ancora più alto dell'82% per un tipo specifico di anticorpo a dominio singolo quando l'antigene era familiare. Nonostante questo progresso, lo studio ha sottolineato che quasi la metà dei nuovi bersagli rimaneva irrisolta, indicando che, sebbene il campo sia avanzato rapidamente, una grande frazione delle interazioni anticorpali è ancora fuori dalla portata della tecnologia attuale. I ricercatori hanno notato che questo miglioramento non era dovuto semplicemente al fatto che i programmi più recenti avessero visto più dati, poiché condividevano simili limiti di addestramento, bensì a miglioramenti fondamentali nel modo in cui modellano le forme complesse.

Un esame più approfondito del perché alcune previsioni avessero avuto successo e altre fallito ha indicato una specifica caratteristica strutturale: il loop CDRH3. Questo è un loop flessibile, simile a una forcina, presente nell'anticorpo che funge da principale punto di contatto con il bersaglio. Lo studio ha scoperto che l'accuratezza di questo singolo loop era l'indicatore più forte del successo di una previsione. Mentre i computer erano generalmente bravi a modellare le parti rigide dell'antigene e gli altri loop più stabili dell'anticorpo, il loop CDRH3 rimaneva la componente più difficile da replicare correttamente, specialmente quando era lungo. I metodi più recenti hanno mostrato un netto miglioramento nella modellazione di questo specifico loop, il che ha correlato direttamente con i loro tassi di successo complessivi più elevati. Tuttavia, anche quando la struttura locale del loop veniva modellata bene, ciò non garantiva che l'intero anticorpo fosse posizionato correttamente rispetto al bersaglio, dimostrando che ottenere le singole parti corrette non è la stessa cosa che assemblare l'intero puzzle correttamente.

I ricercatori hanno anche testato cosa sarebbe successo se avessero dato un suggerimento ai programmi informatici su dove l'anticorpo dovesse legarsi. In uno scenario reale, gli scienziati potrebbero conoscere alcuni punti chiave sulla proteina bersaglio dove un anticorpo si attacca, ma non conoscono l'esatta forma dell'anticorpo. Fornendo questa limitata informazione come vincolo, i metodi più vecchi hanno visto i loro tassi di successo aumentare di 20-30 punti percentuali, portandoli al livello dei metodi più forti non vincolati. Questa scoperta suggerisce che il limite primario per il software più vecchio non era una mancanza di comprensione della fisica, ma l'incapacità di trovare la modalità di legame corretta tra miliardi di possibilità. Quando lo spazio di ricerca veniva ristretto da un suggerimento, i programmi più vecchi riuscivano a trovare la soluzione. Tuttavia, questo beneficio dipendeva fortemente dall'accuratezza del suggerimento; se l'informazione fornita era solo parzialmente corretta, il miglioramento svaniva.

Infine, il team ha indagato se eseguire le simulazioni più volte avrebbe risolto i problemi rimanenti. Hanno scoperto che per i metodi non vincolati, il problema principale era il fallimento del campionamento: la forma corretta non appariva semplicemente nell'insieme dei modelli generati. Quando hanno aumentato il numero di simulazioni, hanno effettivamente trovato più forme corrette, ma hanno anche scoperto che il sistema di classificazione del computer spesso non riusciva a scegliere la migliore come risposta principale. Ciò ha creato un nuovo collo di bottiglia: anche quando la risposta corretta veniva generata, il software non sempre la riconosceva come la migliore opzione. Lo studio ha concluso che, sebbene aumentare il numero di tentativi aiuti, la capacità di classificare e selezionare correttamente il modello migliore sta diventando importante quanto la capacità di generarli. I casi rimanenti non risolti erano un mix eterogeneo di bersagli difficili senza una caratteristica comune singola, suggerendo che la strada da seguire richiede la risoluzione di molteplici tipi di sfide piuttosto che la correzione di un unico problema specifico.