🤖 machine learning

Modeling Atomic Conformational Ensembles of Proteins via Test-Time Supervision of Boltz-2 on Cryo-EM Density Maps

본 논문은 테스트 시간 감독을 통해 볼츠-2와 같은 사전 훈련된 정적 구조 예측 모델을 원시 cryo-EM 밀도 지도에 직접 미세 조정하여 정확한 원자 형태 앙상블을 생성함으로써 전통적인 2 단계 모델 구축을 우회하고 도메인 내 일반화 잠재력을 입증하는 새로운 방법인 CryoSampler 를 소개합니다.

원저자: Jay Shenoy, Miro Astore, Axel Levy, Frédéric Poitevin, Sonya M. Hanson, Gordon Wetzstein

게시일 2026-05-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jay Shenoy, Miro Astore, Axel Levy, Frédéric Poitevin, Sonya M. Hanson, Gordon Wetzstein

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 움직이는 단백질 보기

단백질을 고정된 동상이 아니라 끊임없이 형태를 바꾸는 놀이 점토 조각으로 상상해 보세요. 단백질이 어떻게 작동하는지 (예: 자물쇠를 여는 열쇠처럼) 이해하려면 과학자들은 단백질이 취할 수 있는 모든 다른 형태, 즉 '구형 앙상블 (conformational ensemble)'을 관찰해야 합니다.

오랫동안 과학자들은 이러한 형태를 관찰하는 데 어려움을 겪었습니다.

옛 방법 (2 단계 과정): 먼저 단백질의 흐릿한 3D 사진 (크라이오-전자현미경 지도라고 함) 을 찍고, 이를 수동 또는 자동으로 3D 모델로 구축합니다. 그런 다음 완성된 모델을 사용하여 컴퓨터가 형태를 예측하도록 학습시킵니다.
문제: 흐릿한 사진에서 3D 모델을 구축하는 것은 매우 어렵습니다. 마치 약간 초점이 맞지 않는 단일 사진으로 완벽한 레고 성을 짓는 것과 같습니다. 종종 건축가들은 막히거나, 조각을 빠뜨리거나, 잘못된 색으로 성을 짓습니다. 이 단계가 너무 어렵기 때문에, 컴퓨터를 가르치는 데 사용되기 전에 단백질 운동의 많은 흥미로운 '스냅샷'들이 손실됩니다.

새로운 해결책: CryoSampler

저자들은 CryoSampler라는 새로운 방법을 소개합니다. 레고 성을 먼저 짓고 그 다음에 컴퓨터를 가르치는 대신, 컴퓨터가 흐릿한 사진과 레고 지시사항을 동시에 보도록 가르칩니다.

다음과 같이 생각해보세요:

선생님 (Boltz-2): 그들은 이미 레시피 (단백질의 유전 서열) 로 정적인 레고 성 (단일 고정 단백질 형태) 을 짓는 데 능숙한 매우 똑똑한 AI(Boltz-2) 로 시작합니다.
학생 (CryoSampler): 그들은 이 전문가 선생님에게 특별한 '체육관 운동'을 시킵니다. 흐릿한 사진 전체 갤러리 (크라이오-전자현미경 지도 앙상블) 를 보여주며 "성 하나만 짓지 말고, 이 흐릿한 사진들과 정확히 똑같은 성 전체를 모아서 짓게"라고 말합니다.

작동 방식: 2 단계 학습

논문은 조각사와 꿈꾸는 자로 시각화할 수 있는 2 단계 학습 과정을 설명합니다.

1 단계: 조각사 (VAE)
AI 는 완벽한 정적 동상 (Boltz-2 의 출력) 으로 시작합니다. 그런 다음 흐릿한 사진에 맞추기 위해 그 동상을 부드럽게 늘리고, 비틀고, 구부리는 법을 배웁니다. 마치 조각가가 점토 인형을 가져와 유리 케이스 (크라이오-전자현미경 지도) 안에 완벽하게 들어맞도록 빚는 것과 같습니다. AI 는 점토가 유리에 맞도록 필요한 특정 '오프셋'이나 움직임을 학습합니다.
- 주요 혁신: 먼저 완벽한 모델을 수동으로 구축하는 번거로운 단계를 건너뛰고 원본 사진에서 직접 이를 수행합니다.
2 단계: 꿈꾸는 자 (잠재 확산 모델)
조각가가 점토를 구부리는 법을 배운 후, AI 는 새로운 형태를 '꿈꾸는' 법을 배웁니다. 그것은 운동의 패턴을 학습합니다. 단백질이 보통 팔을 왼쪽으로 구부렸다가 오른쪽으로 구부린다면, AI 는 그 리듬을 학습합니다. 이제 동일한 가족의 새로운 단백질 (다른 레시피) 을 주더라도, AI 는 그 특정 새로운 단백질의 흐릿한 사진이 없어도 이러한 움직임을 모방하는 형태 집합을 '꿈꾸어' 낼 수 있습니다.

발견한 것 (결과)

논문은 실제 과학 데이터로 이를 테스트하여 두 가지 주요 사실을 발견했습니다.

더 나은 모델 구축: 흐릿한 사진을 3D 모델로 변환하라고 요청했을 때, CryoSampler 는 이전 방법들보다 더 잘 수행했습니다. 그것은 사진에 더 정확하게 맞고, '부서진' 부분 (결손된 원자나 불가능한 각도 등) 이 적은 더 완전한 구조를 구축했습니다.
- 비유: 다른 방법들이 지붕이 없고 탑이 흔들리는 레고 성을 지었다면, CryoSampler 는 사진에 완벽하게 맞고 곧게 서 있는 성을 지었습니다.
가족 유사성 (도메인 내 일반화): 그들은 한 종류의 단백질 채널 (TRPV3) 로 AI 를 학습시킨 후, 본 적 없는 형제 단백질 (TRPV5) 의 형태를 예측하도록 요청했습니다.
- 결과: AI 는 형제의 움직임을 성공적으로 예측했습니다. 그것은 첫 번째 단백질에서 구부리고 비틀는 '가족 스타일'을 학습하여 두 번째 단백질에 적용했습니다.
- 한계: 논문은 이것이 동일한 가족의 단백질에서만 작동했다고 지적합니다. 채널 단백질을 보고 근육 단백질과 같이 완전히 다른 유형의 단백질의 형태를 예측할 수 있다고 주장하지는 않았습니다.

요약

CryoSampler는 AI 가 움직이는 단백질을 보도록 가르치는 새로운 방법입니다. AI 를 학습시키기 전에 과학자들이 흐릿한 3D 사진을 수동으로 수정하도록 강요하는 대신, 이 방법은 AI 가 직접 사진에서 학습하도록 합니다. 그것은 단일 동상을 수리할 뿐만 아니라 단백질 가족의 '댄스 무브'를 학습하여 미래에 유사한 단백질이 어떻게 움직일지 예측할 수 있는 거장 조각사와 같은 역할을 합니다.

논문에 따르면 이는 더 정확한 3D 모델로 이어지며 관련 단백질의 움직임 예측에 가능성을 보이지만, 모든 단백질에 작동하거나 즉각적인 의학적 응용이 있다고 주장하지는 않습니다.

기술 요약: 크라이오-EM 밀도 지도에 대한 테스트 시간 감독을 통한 Boltz-2 의 원자 입체 구성 앙상블 모델링

문제 제기

서열로부터 단백질 원자 입체 구성 앙상블을 예측하는 것은 구조 생물학의 중요한 최전선이지만, 고품질 실험적 앙상블 데이터의 부족으로 인해 방해받고 있습니다. X-선 결정학보다 크라이오 전자 현미경 (cryo-EM) 이 단백질이 더 넓은 범위의 입체 구조를 탐색할 수 있게 하지만, 이러한 데이터를 훈련 파이프라인에 통합하는 것은 여전히 어렵습니다. 현재 이 분야는 두 단계 프로세스에 의존하고 있습니다: 실험적 크라이오-EM 밀도 지도를 수동 또는 반자동 방식으로 원자 구조 앙상블 (모델 구축) 로 변환한 후, 이렇게 생성된 구조들을 시퀀스 -to-앙상블 예측기를 훈련하는 데 사용합니다. 이 파이프라인은 이질적이고 해상도가 낮은 크라이오-EM 볼륨에 대한 원자 모델 구축의 어려움에 의해 제한받으며, 종종 불완전한 구조나 부정확한 입체 화학을 초래합니다. 결과적으로 PDB 와 같은 공개 저장소는 원시 크라이오-EM 실험에 존재하는 풍부한 동적 데이터를 결여하고 있어, 앙상블 예측 모델들이 이러한 변이들에 대해 맹목적이게 만듭니다.

방법론: CryoSampler

저자들은 CryoSampler를 제안합니다. 이는 사전 훈련된 정적 구조 예측기 (Boltz-2) 를 원시 크라이오-EM 밀도 지도에 직접 미세 조정함으로써 전통적인 두 단계 프로세스를 우회하는 통합 프레임워크입니다. 이 방법은 두 가지 명확한 단계로 훈련된 잠재 확산 모델 (LDM) 입니다:

1 단계: 모델 구축을 위한 3D 변분 오토인코더 (VAE)
- 아키텍처: 3D 공간 VAE 는 원자 변형의 분포를 학습하도록 훈련됩니다. 인코더는 입력된 크라이오-EM 지도 앙상블을 잠재 표현으로 압축합니다. 디코더는 원자 오프셋의 하이브리드 신경 필드를 나타내는 3D 특징 그리드를 생성합니다.
- 프로세스: 이 모델은 Boltz-2 가 생성한 정적 참조 구조 ( $X_{ref}$ ) 를 입력으로 받아 예측된 원자별 오프셋을 적용하여 추정된 원자 앙상블 ( $\hat{X}$ ) 로 변형시킵니다.
- 미분 가능한 렌더링: 추정된 원자 좌표는 미분 가능한 물리 기반 크라이오-EM 전방 모델 ( $\mathcal{F}_{EM}$ ) 을 사용하여 추정된 지도 앙상블 ( $\hat{V}$ ) 로 다시 렌더링됩니다.
- 손실 함수: VAE 는 다음을 사용하여 엔드 - 투 - 엔드로 최적화됩니다:
  - 재구성 손실 ( $\mathcal{L}_{recon}$ ): 지도 - 모델 적합성을 보장하기 위해 입력 지도와 렌더링된 지도 간의 역 정규화 상관관계 (NCC).
  - 구조 손실 ( $\mathcal{L}_{structural}$ ): 미분 가능한 MolProbity 지표 (Ramachandran 이상치, 로타머 이상치, 충돌) 와 이차 구조 기하학을 보존하기 위한 새로운 소프트 강체 골격 손실을 포함합니다.
  - KL 발산: 잠재 공간을 정규화합니다.
2 단계: 잠재 확산 모델
- 훈련: VAE 가 훈련되면 그 가중치는 고정됩니다. 유동 매칭 확산 모델이 크라이오-EM 지도 훈련 세트에 대해 VAE 로부터 추출된 잠재 임베딩 ( $\mu$ ) 에 대해 훈련됩니다.
- 목적: 이 모델은 연속 시간 유동 매칭 목적 함수를 사용하여 표준 정규 사전 ( $z_0$ ) 과 목표 잠재 분포 ( $z_1$ ) 간을 보간하는 벡터 필드를 학습합니다.
- 추론: 추론 시, 모델은 가우시안 잡음으로부터 새로운 잠재 코드를 샘플링할 수 있으며, 이는 고정된 VAE 에 의해 디코딩되어 원자 입체 구조를 생성합니다. 이를 통해 새로운 크라이오-EM 데이터 없이도 동일한 가족 내의 보지 못한 단백질에 대한 앙상블을 생성할 수 있습니다 (도메인 내 일반화).

주요 기여

원시 지도에 대한 직접 감독: 이 논문은 훈련 전에 중간 단계인 오류가 발생하기 쉬운 원자 모델 구축 단계가 필요하지 않도록, 원시 크라이오-EM 밀도 지도에 직접 기초 모델 (특히 Boltz-2) 을 미세 조정하는 원리를 도입합니다.
통합 프레임워크: CryoSampler 는 모델 구축과 앙상블 생성을 단일 절차로 통합하여 최첨단 수준의 지도 - 모델 적합성과 입체 화학적 정확성을 달성합니다.
도메인 내 일반화: 저자들은 이 방법이 한 단백질 가족 구성원 (예: TRPV3) 에서 학습된 입체 구성 특징을 다른 구성원 (예: TRPV5) 으로 전이할 수 있음을 입증하여, 실험적 밀도 지도 없이도 목표 단백질에 대한 정확한 원자 앙상블을 생성할 수 있음을 보여주었습니다.

결과

이 방법은 TRPV3, 인테그린 $\alpha_V\beta_8$ , 뉴로키닌 -1 GPCR, 인간 P-당단백질이라는 네 가지 생물학적 시스템에서 평가되었습니다.

모델 구축 정확도: CryoSampler 는 ModelAngelo, E2GMM, 그리고 네이티브 Boltz-2 와 같은 기존 방법보다 우수한 지도 - 모델 적합성 ( $CC_{volume}$ , $CC_{mask}$ , $CC_{peaks}$ , $CC_{box}$ 으로 측정) 을 달성했습니다. 예를 들어, TRPV3 에서 CryoSampler 는 $0.84 \pm 0.02$ 의 $CC_{volume}$ 을 달성하여 ModelAngelo ( $0.79 \pm 0.08$ ) 와 Boltz-2 ( $0.31 \pm 0.03$ ) 를 능가했습니다.
입체 화학: 생성된 모델들은 물리적으로 유효한 기하학을 보장하는 경쟁력 있는 MolProbity 점수를 유지했습니다.
앙상블 예측 (TRPV5): 제로샷 전이 실험에서 TRPV3 지도로 훈련된 모델은 TRPV5 의 입체 구성 앙상블을 성공적으로 예측했습니다. 이는 Boltz-2 ($0.61 $) 와 정규 모드 분석 ($ 0.58$) 에 비해 더 낮은 와asserstein ( $W_2$ ) 거리 ($0.44$) 를 달성하여 실험적 TRPV5 지도 앙상블에 대한 더 높은 충실도를 나타냈습니다.

중요성과 주장

저자들은 CryoSampler 가 원시 크라이오-EM 측정치에 직접 다음 세대 원자 앙상블 예측 모델을 훈련할 수 있는 잠재력을 보여준다고 주장합니다. 처리된 원자 구조가 아닌 원시 데이터 분포에 대해 사전 훈련된 모델을 감독함으로써, 이 방법은 현재 두 단계 파이프라인의 한계를 극복합니다.

이 논문은 일반화 주장에 대해 겸손하게 서술합니다: TRP 채널 가족 내에서 특징을 전이하는 강력한 도메인 내 일반화를 보여주지만, 이 작업에서는 다양한 단백질 가족 간의 도메인 외 일반화를 주장하지는 않습니다. 저자들은 이를 공개된 크라이오-EM 앙상블 데이터의 희소성으로 돌립니다. 그들은 이 접근 방식이 원시 실험 데이터에 직접 훈련될 수 있는 미래의 기초 모델들을 위한 기초를 마련하며, 결정학 구조 인자나 NMR 스펙트럼과 같은 다른 모달리티로 확장될 가능성을 제시한다고 주장합니다. 주요 검증은 지도 앙상블에 대한 고정밀 원자 모델 구축 수행 능력과 관련 단백질에 대한 정확한 앙상블 생성 능력에 있습니다.