🧬 biology

TerraBind: Fast and Accurate Binding Affinity Prediction through Coarse Structural Representations

TerraBind is een nieuw fundatiemodel voor drug discovery dat door het gebruik van grove structurele representaties 26 keer sneller is dan huidige methoden, terwijl het de nauwkeurigheid van bindingsaffiniteit met ongeveer 20% verbetert en betrouwbare onzekerheidsschattingen biedt.

Oorspronkelijke auteurs: Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

Gepubliceerd 2026-02-10

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Matteo Rossi, Ryan Pederson, Miles Wang-Henderson, Ben Kaufman, Edward C. Williams, Carl Underkoffler, Owen Lewis Howell, Adrian Layer, Stephan Thaler, Narbe Mardirossian, John Anthony Parkhill

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een enorme bibliotheek hebt met miljarden verschillende sleutels (medicijnen) en een gigantische verzameling sloten (ziektes in het lichaam). Om een medicijn te vinden, moet je weten welke sleutel precies in welk slot past.

Tot nu toe probeerden wetenschappers dit met supercomputers te doen door een hypergedetailleerde 3D-scan te maken van elke sleutel en elk slotje, tot op de kleinste kras toe. Dat is ontzettend nauwkeurig, maar het duurt zo lang dat het bijna onmogelijk is om alle miljarden sleutels te testen. Het is alsof je elke sleutel in de bibliotheek wilt testen door hem eerst met een microscoop te bestuderen.

De onderzoekers van Terray Therapeutics hebben iets nieuws bedacht: TerraBind.

De essentie: De "Sleutel-en-Slot" methode (zonder de microscoop)

TerraBind werkt volgens een heel slim principe: "Je hebt geen microscoop nodig om te zien of een sleutel past."

In plaats van elk atoom (elk minuscule deeltje) van de sleutel en het slot te bestuderen, kijkt TerraBind naar de vorm en de ruimte die de sleutel inneemt. Ze gebruiken een "grove" weergave.

Een metafoor om het te begrijpen:
Stel je voor dat je een puzzel moet oplossen.

De oude methode (Boltz-2): Je probeert elk puzzelstukje te bekijken met een vergrootglas, waarbij je elk moleculair detail van de randjes telt. Dat is perfect, maar het duurt een eeuwigheid.
De TerraBind-methode: Je kijkt naar de algemene vorm van de stukjes. Je ziet: "Dit is een hoekig stukje, en dat is een rond gat." Je kunt de puzzel veel sneller in elkaar zetten en je ziet nog steeds heel goed of de stukjes bij elkaar horen.

Waarom is dit een doorbraak?

De onderzoekers hebben drie grote problemen opgelost:

Extreme Snelheid (De Formule 1-auto): TerraBind is maar liefst 26 keer sneller dan de huidige beste methoden. Waar de oude methode een minuut nodig had voor één test, doet TerraBind het in een paar seconden. Dit betekent dat we nu eindelijk de miljarden sleutels in de bibliotheek kunnen doorzoeken in een redelijke tijd.
Beter Voorspellen (De Ervaren Detective): Ondanks dat TerraBind "minder details" ziet, is hij eigenlijk 20% nauwkeuriger in het voorspellen hoe sterk een medicijn werkt. Het is als een detective die niet elk stofje op een vingerafdruk analyseert, maar door de algemene vorm van de afdruk direct weet wie de dader is.
Zelfvertrouwen (De "Weet ik het zeker?"-knop): TerraBind heeft een ingebouwd systeem dat zegt: "Ik denk dat deze sleutel past, maar ik ben er maar 60% zeker van." Dit is cruciaal voor wetenschappers, zodat ze niet hun tijd verspillen aan medicijnen waar de computer aan twijfelt.

Hoe werkt het in de praktijk? (De Slimme Planner)

Het model helpt ook bij het maken van een slimme planning. In plaats van willekeurig medicijnen te testen, gebruikt TerraBind een strategie die lijkt op een belegger op de beurs. In plaats van alleen te gokken op de "hoogste winst" (de sterkste sleutel), kijkt het model naar de risico's en de kans op verbetering. Hierdoor vinden ze medicijnen veel sneller dan met de oude, simpele methoden.

Samenvattend

TerraBind is als een supersnelle, slimme scanner die niet kijkt naar elk stofje, maar naar de essentie van de vorm. Hierdoor kunnen we veel sneller, goedkoper en nauwkeuriger nieuwe medicijnen ontdekken om ziektes te bestrijden. Het is de overstap van een trage, handmatige inspectie naar een razendsnelle, intelligente digitale zoekmachine.

Technische Samenvatting: TerraBind

1. Het Probleem: De Bottleneck in Drug Discovery

In de moderne medicijnontwikkeling (Structure-Based Drug Design, SBDD) is het essentieel om de bindingsaffiniteit tussen eiwitten en kleine moleculen (liganden) te voorspellen. Huidige state-of-the-art deep learning modellen, zoals Boltz-2 en AlphaFold 3, maken gebruik van all-atom diffusion-processen om 3D-structuren te genereren. Hoewel deze modellen zeer accuraat zijn, hebben ze een fundamenteel probleem:

Computationele kosten: Het genereren van volledige 3D-coördinaten via iteratieve diffusie is extreem traag (bijv. ~20 seconden per complex).
Schaalbaarheid: Voor industriële toepassingen, waarbij miljarden verbindingen gescreend moeten worden, is deze methode computationeel onhaalbaar.
Betrouwbaarheid: Er is een gebrek aan goede onzekerheidsmetingen (uncertainty quantification) voor de voorspelde bindingssterkte, wat risicovol is bij het prioriteren van moleculen.

2. Methodologie: De Hypothese van "Coarse-Grained" Representatie

De auteurs van TerraBind stellen een radicale hypothese: volledige all-atom resolutie is niet nodig voor een nauwkeurige voorspelling van de ligand-pose en bindingsaffiniteit.

TerraBind hanteert een architectuur die gebaseerd is op een grove (coarse-grained) weergave van de bindingsplaats:

Representatie: In plaats van alle atomen te modelleren, gebruikt TerraBind alleen de $C\beta$ -atomen van het eiwit en de zware atomen van het ligand.
Multimodale Encoders: Het model maakt gebruik van bevroren (frozen) pretrained encoders:
- COATI-3: Voor de chemische representatie van het ligand (SMILES, 2D-graaf en 3D-puntenwolk).
- ESM-2: Voor de biologische/evolutionaire representatie van het eiwitsequentie.
Structure Module (Pairformer): Een efficiënte 48-laags pairformer-architectuur leert de geometrische relaties door de kansverdeling over afstandsbins (distogrammen) te voorspellen. Dit vervangt de dure diffusie-stap.
Pose Module: In plaats van generatieve diffusie gebruikt TerraBind een eenvoudige coarse-grained optimalisatie (gradient descent) om 3D-coördinaten te genereren die consistent zijn met de voorspelde afstanden.
Affinity Module: Een gespecialiseerde module die de structurele kenmerken direct vertaalt naar bindingswaarde (pIC50) en bindingswaarschijnlijkheid.
Uncertainty Quantification (Epinet): Een epistemic neural network (epinet) module die gekalibreerde onzekerheidsscores levert voor de affiniteit.

3. Belangrijkste Bijdragen

Efficiëntie: Een 26-voudige versnelling in inferentie-snelheid vergeleken met Boltz-2.
Nauwkeurigheid: Een verbetering van ~20% in de nauwkeurigheid van de bindingsaffiniteit-voorspelling op zowel publieke (CASP16) als private datasets.
Ingebouwde Betrouwbaarheid: De introductie van de $H_{LP}$ (ligand-protein entropy) score, die direct uit de distogrammen komt en dient als een natuurlijke maatstaf voor structurele onzekerheid.
Continual Learning Framework: Een methode om het model snel aan te passen aan nieuwe experimentele data zonder volledige hertraining, wat de efficiëntie in de Design-Make-Test-Analyze (DMTA) cyclus met factor 6 verhoogt.

4. Resultaten

Structuurvoorspelling: Op benchmarks zoals FoldBench en PoseBusters presteert TerraBind vergelijkbaar met de zware diffusie-gebaseerde modellen, ondanks de veel lagere complexiteit.
Affiniteit: Op 15 van de 18 geteste private targets presteerde TerraBind beter dan Boltz-2 in termen van Pearson-correlatie.
Snelheid: De inferentie per complex daalde van ~28 seconden (Boltz-2) naar ~1 seconde (TerraBind).
Optimalisatie: In gesimuleerde drug discovery cycli leidde de combinatie van continual learning en de EMAX-strategie tot een 6x grotere verbetering in de affiniteit van geselecteerde moleculen vergeleken met standaard "greedy" methoden.

5. Betekenis en Conclusie

TerraBind markeert een paradigmaverschuiving in de computationele biologie. Het bewijst dat de "brute force" benadering van all-atom diffusie niet noodzakelijk is voor de kernopgave van medicijnontwikkeling: het identificeren van sterke binders.

Door de focus te verleggen naar rijke, grove structurele representaties, maakt TerraBind high-throughput virtual screening op een schaal mogelijk die voorheen onmogelijk was. Dit maakt het mogelijk om de enorme hoeveelheden data die gegenereerd worden door moderne experimentele platforms (zoals het EMMI-platform van Terray) effectief te benutten voor de ontdekking van nieuwe medicijnen.