FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design

FuseDiff is een geavanceerd diffusiemodel dat voor het eerst twee specifieke bindingsposities van een enkel ligand in twee verschillende eiwitzakken gelijktijdig genereert, waardoor de effectiviteit van polyfarmacologische therapieën wordt verbeterd en de weerstand wordt verminderd.

De kern

Stel je voor dat je een meester-ontwerper bent die een unieke sleutel moet maken. Maar deze sleutel moet niet één, maar twee verschillende sloten openen.

In de farmaceutische wereld noemen we dit "dual-target drug design". Het doel is om één medicijnmolecuul te ontwerpen dat tegelijkertijd twee verschillende ziekteverwekkers (of in dit geval, twee verschillende eiwitten in het lichaam) kan blokkeren. Dit is slim, want het maakt het voor de ziekte veel moeilijker om resistentie te ontwikkelen, net als wanneer je twee sloten op één deur hebt: als de dief de ene sleutel probeert, zit hij nog steeds vast aan de andere.

Het probleem is dat bestaande methoden dit vaak stap-voor-stap doen, alsof je eerst een sleutel maakt voor het eerste slot, en dan hoopt dat hij toevallig ook in het tweede slot past. Dat werkt vaak niet goed.

Hier komt FuseDiff om de hoek kijken. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Twee Sloten, Één Sleutel" Uitdaging

Stel je voor dat je een sleutel moet maken die past in een oud slot (Slot A) en een modern slot (Slot B).

• De oude manier: Je maakt eerst een sleutel voor Slot A. Dan probeer je die sleutel in Slot B te steken. Als hij niet past, gooi je hem weg en probeer je het opnieuw. Dit is inefficiënt en leidt vaak tot slechte ontwerpen.
• De FuseDiff-methode: FuseDiff is als een magische 3D-printer die direct een sleutel ontwerpt die perfect in beide sloten past, terwijl hij tegelijkertijd de vorm van beide sloten in zijn hoofd heeft. Hij maakt niet eerst het metaal en dan de tanden; hij ontwerpt het hele plaatje in één keer.

2. Hoe werkt de magie? (De "Samenwerkende Oren")

De kern van FuseDiff is een slimme techniek die ze DLCF noemen (Dual-target Local Context Fusion).

Stel je voor dat de ontwerper twee luister-oortjes heeft:

• Het ene oortje luistert naar de details van Slot A.
• Het andere oortje luistert naar de details van Slot B.

In plaats van dat deze oortjes apart werken, mixen ze de informatie. Als Slot A een holte heeft en Slot B een uitsteeksel, ziet de ontwerper direct hoe de sleutel eruit moet zien om in beide situaties te passen.

• De symmetrie: Het systeem is zo slim dat het niet uitmaakt of je het eerste of het tweede slot eerst bekijkt; het resultaat blijft eerlijk en consistent.
• De structuur: Het zorgt ervoor dat de "tanden" van de sleutel (de chemische bindingen) logisch blijven. Soms maken andere systemen een sleutel die in het ene slot past, maar dan is de sleutel zelf zo vervormd dat hij in het andere slot breekt. FuseDiff zorgt dat de sleutel stevig en logisch blijft, ongeacht hoe hij in de sloten draait.

3. Het Resultaat: Een Snelere Weg naar Geneesmiddelen

In het verleden moesten wetenschappers vaak duizenden sleutels printen en ze één voor één in de sloten proberen (een proces dat "docking" heet). Dat kost veel tijd en rekenkracht.

Met FuseDiff kunnen ze nu:

1. Direct een sleutel genereren die er al uitziet alsof hij in beide sloten past.
2. De kwaliteit van deze sleutel controleren voordat ze hem zelfs maar fysiek testen.
3. De beste ontwerpen selecteren om daadwerkelijk te maken.

Waarom is dit belangrijk?

Dit is als een revolutie in de sleutelindustrie. In plaats van dat een slotenmaker urenlang probeert om één sleutel aan te passen aan twee verschillende deuren, leert FuseDiff de sleutelmaker om een "meestersleutel" te ontwerpen die van nature in beide deuren past.

In de echte wereld hebben ze dit getest op medicijnen voor de ziekte van Alzheimer. Ze hebben ontdekt dat FuseDiff veel meer kansrijke medicijnen kon bedenken die zowel op het ene als het andere eiwit in het brein werken, vergeleken met de oude methoden.

Kortom: FuseDiff is een slimme, digitale ontwerper die twee problemen tegelijk oplost door ze niet als aparte taken te zien, maar als één groot, samenhangend puzzelstuk. Het maakt het vinden van nieuwe, krachtige medicijnen sneller, slimmer en efficiënter.

Technische samenvatting

Probleemstelling

Traditionele structuur-gebaseerde drugdesign (SBDD) richt zich meestal op één enkel doelwit (target). Er is echter een groeiende behoefte aan polyfarmacologische therapieën, waarbij één enkel ligand (molecuul) wordt ontworpen dat tegelijkertijd aan twee verschillende biologische doelwitten (targets) bindt. Dit kan de therapeutische werkzaamheid verhogen en resistentie verminderen.

De uitdaging bij dual-target SBDD is het genereren van één moleculair graaf (de chemische structuur van het ligand) samen met twee specifieke bindingsposities (poses), één voor elk doelwit, waarbij beide posities compatibel moeten zijn met hun respectievelijke bindingszakken (pockets).

Bestaande methoden hebben hierbij twee grote tekortkomingen:

1. Gekoppelde pijplijnen: Ze genereren vaak eerst een 2D-molecuul en voegen later 3D-posities toe, of ze behandelen de twee posities als onafhankelijk. Dit negeert de correlatie tussen de posities en leidt tot foutopbouw.
2. Rigide aannames: Sommige geavanceerde methoden (zoals DualDiff) passen een starre transformatie toe om twee pockets op elkaar af te stemmen voordat ze een enkel doelwit-model gebruiken. Dit veronderstelt dat de twee bindingsposities onder één starre transformatie compatibel zijn, wat vaak niet overeenkomt met de werkelijke biologische realiteit en de expressiviteit van het model beperkt.

Het doel is dus om de gezamenlijke dichtheid $p(G, X_1, X_2 | P_1, P_2)$ te leren, waarbij $G$ het ligand is, $X_1$ en $X_2$ de posities zijn, en $P_1$ en $P_2$ de twee doelwit-pockets.

Methodologie: FuseDiff

De auteurs stellen FuseDiff voor, een end-to-end conditionele diffusiemodel dat direct een gedeeld moleculair graaf en twee pocket-specifieke bindingsposities genereert.

Kerncomponenten:

1. Gezamenlijke Generatie: In tegenstelling tot methoden die eerst een graaf genereren en later posities voorspellen, genereert FuseDiff het molecuul (atoomtypes en bindings) en de twee 3D-posities gelijktijdig. Dit garandeert dat beide posities consistent zijn met één en dezelfde chemische structuur.
2. Dual-target Local Context Fusion (DLCF): Dit is de kern van het model. Het is een bericht-doorstroom-netwerk (Message Passing Neural Network - MPNN) dat een geaugmenteerde graaf bouwt.
   • Het model creëert twee afzonderlijke "point-cloud" grafen (ligand + pocket 1 en ligand + pocket 2).
   • Deze worden samengevoegd tot één graaf waarbij de ligandatomen gedeeld zijn, maar de pocket-atomen van beide targets behouden blijven.
   • Door berichtuitwisseling op deze geaugmenteerde graaf kan elk atoom van het ligand context ontvangen van beide pockets. Dit zorgt voor de juiste "cross-target coupling" zonder de symmetrie te schenden.
3. Symmetriebehoud: Het model is ontworpen om aan strikte wiskundige eisen te voldoen:
   • SE(3)-invariantie: Het resultaat verandert niet als de input-pockets willekeurig worden verplaatst of gedraaid.
   • Permutatie-invariantie: De volgorde van de pockets maakt niet uit.
   • Geen factorisatie: De twee posities worden niet als onafhankelijk behandeld.
   • Geen starre beperking: Het model vereist niet dat de twee posities via één starre transformatie op elkaar aansluiten.
4. Expliciete Bindingsgeneratie: Het model genereert expliciet de bindings (bonds) van het molecuul. Zonder dit stap, zoals getoond in ablatiestudies, faalt het model vaak omdat de gegenereerde posities niet overeenkomen met een geldige chemische structuur.

Training en Data:
Omdat er geen grote openbare dataset bestaat met gekoppelde ligand-posities voor twee targets, hebben de auteurs een nieuwe trainingset (BN2-DT) afgeleid van BindingNet v2. Ze gebruiken de DualDiff benchmark (DDF) als onafhankelijke testset.

Belangrijkste Bijdragen

1. Eerste End-to-End Model: FuseDiff is het eerste conditionele diffusiemodel dat een gedeeld ligand en twee pocket-specifieke posities simultaan genereert, zonder starre transformatie-aannames.
2. Nieuwe Dataset: Constructie van een dual-target trainingset met gepaarde posities voor hetzelfde ligand over verschillende targets.
3. DLCF Architectuur: Een innovatieve architectuur die lokale context van meerdere targets fuseert, wat schaalbaar is naar meer dan twee targets.
4. Eerste Benchmark voor Pre-Docking Kwaliteit: Het stelt de eerste standaard in voor het evalueren van de kwaliteit van dual-target posities voordat er een dure docking-zoektocht wordt uitgevoerd.

Resultaten

De auteurs evalueren FuseDiff op de DDF-benchmark en in een real-world casestudy (Alzheimer's disease: GSK3β en JNK3 kinases).

• Moleculaire Eigenschappen: FuseDiff produceert liganden met de beste drug-achtige eigenschappen (QED, synthetische toegankelijkheid SA, en Lipinski-regels) vergeleken met bestaande methoden zoals TargetDiff, DualDiff en CompDiff.
• Dual-Validity: 61% van de gegenereerde samples resulteerde in chemisch geldige moleculen voor beide posities. Bestaande methoden kunnen dit niet direct genereren.
• Docking Scores:
  • Voor docking: FuseDiff levert de beste Vina Scores op de gegenereerde posities (zonder verdere optimalisatie), wat aantoont dat de gegenereerde posities al zeer goed zijn.
  • Na docking: Na een volledige conformatie-zoektocht (Vina Dock) behaalt FuseDiff de beste scores op beide pockets en de hoogste fractie van moleculen met hoge affiniteit voor beide targets ("Dual High Affinity").
• Real-world Casestudy: Bij het ontwerpen van remmers voor GSK3β en JNK3, genereerde FuseDiff aanzienlijk meer "drug-like" moleculen (78 vs 15 voor DualDiff) met superieure bindingsaffiniteiten.

Betekenis

Dit paper markeert een doorbraak in het veld van computergestuurde drugontwikkeling. Door end-to-end generatie van dual-target liganden mogelijk te maken zonder simplistische aannames, opent FuseDiff de weg voor efficiënter ontwerpen van polyfarmacologische geneesmiddelen. Het bewijst dat het mogelijk is om complexe, gekoppelde 3D-structuren te genereren die direct bruikbaar zijn voor de ontwikkeling van medicijnen tegen complexe ziekten waarbij meerdere doelwitten betrokken zijn. De methode stelt ook een nieuwe standaard voor het evalueren van generatieve modellen in de SBDD, waarbij de kwaliteit van de gegenereerde poses direct kan worden beoordeeld zonder afhankelijk te zijn van tijdrovende downstream docking-procedures.