Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

Deze studie introduceert Felis, een open-source toolkit voor geautomatiseerde absolute bindingsvrije-energieberekeningen die, in combinatie met de ByteFF-krachtveld, prestaties levert die vergelijkbaar zijn met geavanceerde relatieve methoden op grote schaal en zelfs voor uitdagende doelen zoals KRAS(G12D), zonder aanpassingen aan het krachtveld of de simulatieplanning.

De kern

Samenvatting: Een nieuwe, slimme manier om medicijnen te vinden

Stel je voor dat je een enorm kasteel (een eiwit in je lichaam) hebt en je wilt een specifieke sleutel (een medicijn) vinden die perfect in het slot past. Als de sleutel past, kan hij het kasteel openen of sluiten, wat een ziekte kan genezen.

Vroeger hadden wetenschappers een slimme truc: ze vergelijkingen maakten tussen twee sleutels die al heel veel op elkaar leken. Dat was snel en goedkoop, maar het had een groot nadeel: je kon alleen nieuwe sleutels vinden die leken op de oude. Als je een heel nieuwe vorm van sleutel nodig had, faalde deze methode.

De uitdaging: De "Absolute" test
Er bestaat een nog betere manier: de "Absolute Binding Free Energy" (ABFE) test. Hierbij test je elke sleutel volledig op zichzelf, zonder vergelijking. Dit is de "heilige graal" van medicijnontwikkeling omdat het elke vorm van sleutel kan testen. Het probleem? Het is extreem duur en langzaam, alsof je elke sleutel in een zware, stoffige machine moet draaien om te zien of hij past. Tot nu toe was dit te moeilijk om massaal te gebruiken.

De oplossing: Felis (De nieuwe robot)
In dit artikel presenteren de onderzoekers van ByteDance een nieuwe, open-source software genaamd Felis. Je kunt Felis zien als een geautomatiseerde, supersnelle robot die deze zware berekeningen voor je doet.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Zero-Shot" aanpak (Geen trucs):
   Normaal gesproken moeten wetenschappers de machine voor elke nieuwe test een beetje "instellen" of kalibreren (zoals het afstellen van een radio). Felis doet dit niet. Het is zo goed getraind dat het direct aan de slag kan met elk nieuw medicijn, zonder dat iemand er handmatig aan hoeft te sleutelen. Het is "plug-and-play".

2. De Kracht van de "ByteFF" (De perfecte pasvorm):
   Om de berekeningen nauwkeurig te maken, gebruikt Felis een speciaal "krachtensysteem" (een force field) genaamd ByteFF. Stel je dit voor als een ultra-accurate 3D-printer die precies weet hoe atomen zich gedragen. In plaats van te raden, gebruikt deze printer een enorme database van eerdere berekeningen om de vorm van de moleculen perfect te voorspellen.

3. De Grote Test (43 kasteeltjes en 859 sleutels):
   De onderzoekers hebben Felis getest op een gigantische dataset: 43 verschillende soorten kasteeltjes (eiwitten) en 859 verschillende sleutels (medicijnen).

   • Het resultaat: Felis bleek net zo goed te presteren als de beste, meest geavanceerde methoden die er nu zijn, maar dan zonder de noodzaak om sleutels met elkaar te vergelijken. Het kon nieuwe, unieke vormen van medicijnen succesvol beoordelen.

4. De Zware Uitdaging: KRAS(G12D)
   Om te bewijzen dat Felis echt sterk is, hebben ze het getest op een van de moeilijkste "kasteeltjes" die er bestaan: KRAS(G12D). Dit is een eiwit dat vaak kanker veroorzaakt en extreem lastig is om te blokkeren. De sleutels die hier tegen werken, zijn vaak heel groot en hebben een sterke elektrische lading (alsof ze magnetisch zijn).

   • Het resultaat: Felis slaagde erin om deze complexe, "elektrische" interacties nauwkeurig te voorspellen. Dit bewijst dat het systeem robuust genoeg is voor de zwaarste taken in de farmaceutische wereld.

Waarom is dit belangrijk?
Voorheen was deze "Absolute" methode te duur en te traag voor dagelijks gebruik in het vinden van nieuwe medicijnen. Met Felis wordt het mogelijk om duizenden potentiële medicijnen snel en goedkoop te screenen, zonder dat je eerst een prototype moet bouwen.

Conclusie
Dit artikel introduceert Felis, een krachtig, gratis en automatisch gereedschap dat de drempel voor het vinden van nieuwe medicijnen verlaagt. Het combineert de nauwkeurigheid van de zwaarste fysica met de snelheid van moderne software, waardoor het mogelijk wordt om "van nul" te beginnen met het ontwerpen van medicijnen, in plaats van alleen variaties op bestaande ideeën te maken. Het is alsof we van het handmatig zoeken naar sleutels in een donkere kamer zijn gegaan naar het hebben van een robot die de hele sleutelkast in een seconde doorzoekt.

Technische samenvatting

Titel: Ontwikkeling en grootschalige benchmarks van een toolkit voor absolute vrije energie van binding (ABFE) tussen eiwitten en liganden

Auteurs: Yu Liu, Ailun Wang, Yu Xia, Zhi Wang, Wen Yan (ByteDance Seed)
Datum: 24 maart 2026

---

1. Het Probleem

Het nauwkeurig voorspellen van de bindingsaffiniteit tussen eiwitten en liganden is cruciaal voor computergestütte drugontwikkeling (CADD). Hoewel methoden voor relatieve vrije energie van binding (RBFE) in de industrie wijdverbreid zijn, hebben ze een belangrijke beperking: ze vereisen dat liganden een gemeenschappelijk chemisch raamwerk (scaffold) delen om via alchemische transformaties te worden vergeleken. Dit maakt ze minder geschikt voor vroege fasen van de zoektocht naar nieuwe geneesmiddelen (hit discovery), waar liganden vaak structureel zeer verschillend zijn.

Absolute vrije energie van binding (ABFE) lost dit op door elke ligand onafhankelijk te scoren, zonder de noodzaak van een gemeenschappelijk raamwerk. Echter, de brede adoptie van ABFE wordt gehinderd door:

• Hoge rekentijd: ABFE vereist aanzienlijk meer steekproeven (sampling) dan RBFE.
• Gebrek aan validatie: Er zijn weinig grote, robuuste benchmarks die ABFE-methoden op grote schaal valideren. Bestaande benchmarks zijn vaak te klein of niet representatief voor real-world scenario's.
• Complexiteit: Het opzetten van protocollen (zoals restricties en alchemische schema's) vereist vaak handmatige tussenkomst en aanpassing per systeem.

2. Methodologie: De Felis Toolkit

De auteurs introduceren Felis (Free Energy of Ligand-protein InteractionS), een open-source, geautomatiseerde en schaalbare toolkit voor hoge doorvoer ABFE-berekeningen.

Kerncomponenten van de methode:

• Thermodynamische cyclus: Felis gebruikt de standaard "double-decoupling" (annihilatie) cyclus. Hierbij wordt de ligand alchemisch ontkoppeld van het oplosmiddel en vervolgens gekoppeld aan het eiwit.
• Restraints (Beperkingen): Om de ligand op zijn plaats te houden tijdens de ontkoppeling, worden Boresch-stijl restricties toegepast. Deze worden automatisch geselecteerd op basis van een initiële MD-simulatie, waarbij de algoritmes (DSSP en ProLIF) stabiele secundaire structuren en interacties analyseren om optimale ankeratomen te kiezen.
• Krachtenveld (Force Field):
  • Eiwitten: AMBER ff14SB.
  • Liganden en cofactoren: ByteFF25, een data-gedreven krachtveld. Dit is een verbetering ten opzichte van ByteFF24; de gebonden parameters zijn getraind op een uitgebreider kwantumchemisch dataset, terwijl de niet-gebonden parameters (ladingen en van der Waals) behouden blijven van GAFF2.
• Simulatieprotocol:
  • Uitgevoerd met OpenMM en openmmtools.
  • Hardware-efficiëntie: Een uniek ontwerp zonder cross-GPU communicatie. Het alchemische pad wordt opgesplitst in overlappende segmenten die elk op een aparte GPU draaien. Dit elimineert synchronisatie- en datatransfer-bottlenecks, wat ideaal is voor elastische cloud-uitvoering.
  • Schaling: De toolkit gebruikt een universeel alchemisch schema voor ladingen, softcore van der Waals interacties en restricties, zonder aanpassing per systeem ("zero-shot").
• Ladingen: Voor geladen systemen worden "alchemische watermoleculen" gebruikt om de ladingneutraliteit te behouden tijdens de transformatie.

3. Belangrijkste Bijdragen

1. Ontwikkeling van Felis: Een volledig geautomatiseerde, open-source toolkit die ABFE-berekeningen mogelijk maakt zonder handmatige aanpassing van parameters of schema's.
2. Grootschalige Benchmark: De eerste uitgebreide validatie van een ABFE-toolkit op een dataset van 43 eiwitdoelen en 859 unieke liganden (gebaseerd op de Schrödinger FEP+ dataset).
3. Zero-Shot Validatie: Alle resultaten zijn gegenereerd zonder "in-domain tuning". De krachtvelden en protocollen werden niet aangepast aan de testset, wat de generaliseerbaarheid van de methode bewijst.
4. Uitdagingend Geval (KRAS): Een succesvolle toepassing op een complexe KRAS(G12D) dataset met sterk geladen liganden en cofactoren, wat de robuustheid van de methode onderstreept.

4. Resultaten

De prestaties van Felis-ABFE werden vergeleken met de state-of-the-art RBFE-methode FEP+ (gebruikmakend van OPLS4 en 20 ns simulaties).

• Ranking Performance:
  • Felis-ABFE (met slechts 3 ns tot 5 ns simulatie per replica, in drievoud) bereikte een rangschikkingsprestatie (Spearman's ρ en Kendall's τ) die vergelijkbaar was met FEP+ RBFE.
  • Hoewel RBFE iets beter scoorde op de cumulatieve verdeling (ρ ≈ 0.7 vs 0.6 voor ABFE), presteerde ABFE verrassend goed gezien de complexiteit en de kortere simulatietijd.
• Nauwkeurigheid:
  • De "debiased" MAE en RMSE van Felis waren vergelijkbaar met die van FEP+.
  • Op de KRAS(G12D) dataset (met dicationische liganden) bereikte Felis bij 10 ns simulatie een Spearman's ρ van 0.76 en Kendall's τ van 0.64, wat aantoont dat de methode stabiel is voor zware, geladen systemen.
• Invloed van Ladingen: Er werd geen statistisch significant verschil gevonden tussen het gebruik van AM1-BCC ladingen en het nieuwere ABCG2-ladingmodel binnen ByteFF25.
• Uitzonderingen:
  • Op het hc_bace_2 systeem faalden beide methoden, waarschijnlijk vanwege een te klein experimenteel dynamisch bereik (alle metingen binnen 0.5 kcal/mol).
  • Op het scyt_dehyd systeem vertoonde Felis fluctuaties die gerelateerd waren aan kristallografisch water; bij verwijdering van dit water verbeterde de ranking aanzienlijk (ρ van 0.61 naar 0.89).

5. Betekenis en Conclusie

Dit paper is een mijlpaal in het veld van computergestütte drugontwikkeling omdat het aantoont dat ABFE een levensvatbaar alternatief is voor RBFE, zelfs in vroege fasen van de zoektocht naar geneesmiddelen waar liganden structureel verschillend zijn.

• Efficiëntie: Felis levert vergelijkbare resultaten als geavanceerde RBFE-methoden, maar met aanzienlijk kortere simulatietijden (3-5 ns vs 20 ns) en zonder handmatige tuning.
• Toepasbaarheid: De "zero-shot" aard van de toolkit maakt het een "ready-to-use" oplossing voor industriële pipelines, wat de drempel voor het gebruik van ABFE verlaagt.
• Toekomstperspectief: Hoewel de resultaten veelbelovend zijn, wijzen de auteurs op de noodzaak van verdere verbeteringen in de kwaliteit van bindingsposities (poses), protonatiestoestanden en de ontwikkeling van nog nauwkeurigere krachtvelden (bijv. met polariseerbaarheid) om de voorspellende nauwkeurigheid verder te verhogen.

Kortom, Felis bewijst dat geautomatiseerde, schaalbare ABFE-berekeningen nu klaar zijn voor grootschalige toepassing in het drugontwikkelingsproces.