🧬 biology

ConforNets: Latents-Based Conformational Control in OpenFold3

ConforNets introduceert een efficiënte methode om de conformatieve variabiliteit van OpenFold3 te controleren door kanaal-gewijze affiene transformaties toe te passen op de pre-Pairformer latenten, waardoor state-of-the-art resultaten worden behaald bij het genereren van alternatieve toestanden en het overdragen van conformatieveranderingen binnen eiwitfamilies.

Oorspronkelijke auteurs: Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

Gepubliceerd 2026-04-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Minji Lee, Colin Kalicki, Minkyu Jeon, Aymen Qabel, Alisia Fadini, Mohammed AlQuraishi

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 uiterst slimme robot hebt die erop is getraind om de vorm van eiwitten te voorspellen. Eiwitten zijn de kleine machines in ons lichaam die alles doen, van het verteren van voedsel tot het bestrijden van virussen. Deze robot, genaamd AlphaFold 3 (of in dit geval de open-source versie OpenFold3), is een genie: hij kan de perfecte, statische vorm van een eiwit met bijna 100% nauwkeurigheid tekenen.

Maar er is een probleem: eiwitten zijn geen stenen beelden. Ze zijn meer als dansende acrobaten. Ze bewegen, buigen, draaien en veranderen van vorm om hun werk te doen. De robot ziet echter meestal maar één dansstap: de "standaard" pose. Hij ziet niet dat het eiwit ook kan springen, draaien of een andere houding kan aannemen die net zo belangrijk is voor zijn functie.

Tot nu toe probeerden wetenschappers de robot dwingen om die andere vormen te zien door hem te "plagen" met willekeurige ruis of door zijn invoer te veranderen. Dit was als proberen een danser te laten springen door hem zomaar een duw te geven: het werkt soms, maar vaak valt de danser er gewoon op zijn kop of doet hij iets onnatuurlijks.

ConforNets is de nieuwe oplossing. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Geheime Knop" in plaats van willekeurige duwen

In plaats van de robot te plagen met willekeurige invoer, hebben de onderzoekers een geheime knop gevonden in het brein van de robot.

De Analogie: Stel je voor dat de robot een enorme fabriek is waar eiwitten worden gebouwd. De invoer (de blauwdruk) komt binnen, en dan gaat het door een reeks machines (de "Pairformer"). De onderzoekers ontdekten dat je niet de blauwdruk hoeft te veranderen, maar dat je een speciale knop op de eerste machine kunt draaien.
Hoe het werkt: Ze hebben een klein, slim hulpmiddel (een "ConforNet") gemaakt dat precies weet hoe deze knop moet worden gedraaid. Als je deze knop draait, verandert de robot zijn hele kijk op het eiwit. In plaats van alleen de standaarddans te doen, kan hij nu ook de "springdans" of de "draaidans" uitvoeren.

2. Twee manieren om de robot te gebruiken

De onderzoekers hebben twee trucs bedacht met deze knop:

Truc 1: De "Diverse Danser" (Ongeleide voorspelling)
Stel je voor dat je de robot vraagt: "Laat me zien wat dit eiwit allemaal kan!"

De onderzoekers trainen een groepje van deze knoppen (ConforNets) om de robot te dwingen om zo verschillend mogelijk te dansen.
Het resultaat: De robot produceert een hele reeks van verschillende, geloofwaardige vormen. Het is alsof je een danser hebt die niet alleen de standaardpas doet, maar ook alle mogelijke variaties erop, zodat je ziet hoe hij beweegt.
Het voordeel: Dit werkt veel beter dan eerdere methoden en vindt vormen die de robot normaal gesproken nooit zou laten zien.

Truc 2: De "Dansleraar" (Geleide overdracht)
Dit is misschien wel het coolste deel. Stel je voor dat je een dansleraar hebt die weet hoe een G-proteïne gekoppelde receptor (GPCR) moet dansen om een signaal door te geven (de "actieve" vorm).

De onderzoekers trainen één ConforNet op één specifiek eiwit om die specifieke dans te leren.
Vervolgens nemen ze diezelfde "dansleraar" en sturen hem naar een ander eiwit uit dezelfde familie.
Het resultaat: Het nieuwe eiwit begint automatisch diezelfde dans te dansen, zelfs als de robot dat normaal gesproken nooit zou doen.
De metafoor: Het is alsof je een dansstijl leert aan een professionele danser, en die stijl vervolgens kunt "overbrengen" naar een andere danser. Ze hoeven niet opnieuw te leren; ze passen de stijl gewoon toe op hun eigen lichaam. Dit is enorm belangrijk voor het ontwikkelen van nieuwe medicijnen, omdat je zo precies kunt zien hoe een eiwit eruitziet als het "aan" staat.

Waarom is dit zo belangrijk?

Geen nieuwe training nodig: Je hoeft de hele robot niet opnieuw te trainen (wat jaren duurt en enorme computers vereist). Je past alleen een klein, slim filter toe.
Werkt voor iedereen: De truc die je op het ene eiwit leert, werkt vaak ook op verwante eiwitten.
Medische doorbraken: Veel medicijnen werken alleen als een eiwit in een specifieke, zeldzame vorm zit. Met ConforNets kunnen artsen en onderzoekers die zeldzame vormen nu "op commando" laten zien, wat het vinden van nieuwe medicijnen enorm versnelt.

Kortom:
ConforNets is als het geven van een stuurwiel aan een auto die voorheen alleen maar rechtuit kon rijden. Nu kunnen we de auto naar links of rechts sturen, naar elke hoek van het landschap van eiwitvormen, zonder dat de auto zelf hoeft te worden vervangen. Het maakt de voorspellingen van de robot niet alleen slimmer, maar ook veel flexibeler en bruikbaarder voor de echte wereld.

Probleemstelling

Hoewel de AlphaFold (AF) familie van modellen (AF2 en AF3) uitstekende prestaties levert bij het voorspellen van de dominante, native structuur van eiwitten, kampen ze met een fundamentele beperking: ze hebben moeite om biologisch relevante alternatieve conformaties (conformational heterogeneity) te vangen. Veel eiwitten functioneren door van vorm te veranderen (bijv. GPCR-activatie of kinase-overgangen), maar standaard AF-modellen voorspellen meestal slechts één statische toestand.

Bestaande pogingen om dit op te lossen, richten zich vaak op:

Training op nieuwe datasets: Modellen trainen op experimentele data gecombineerd met moleculaire dynamica (MD) trajecten. Dit vereist echter enorme hoeveelheden data en levert vaak geen goed gekalibreerde ensembles op.
Perturbatie tijdens inferentie (inference-time perturbations): Het manipuleren van inputs (zoals Multiple Sequence Alignments, MSA) of latente representaties om variatie te genereren. Bestaande methoden zijn echter vaak inefficiënt, missen belangrijke conformatiemodi, of leiden tot fysisch onwaarschijnlijke structuren. Ze zijn vaak eiwit-specifiek en niet direct herbruikbaar.

Methodologie: ConforNets

De auteurs introduceren ConforNets, een nieuwe aanpak voor inferentie-tijd perturbatie die specifiek is ontworpen voor de OpenFold3 (OF3) architectuur. De kern van de methode ligt in het optimaliseren van waar en hoe perturbaties worden toegepast op de latente representaties.

1. Optimalisatie van de perturbatielocatie:
Door uitgebreide experimenten hebben de auteurs vastgesteld dat de pair-voorstelling (pair latents) direct voor de Pairformer (aangeduid als $z_{pre}$ ) de beste locatie is voor perturbatie.

Perturbaties in deze laag laten de Pairformer toe om zijn verwerking van residue-residue contacten aan te passen.
Perturbaties na de Pairformer ( $z_{post}$ ) of in de single-representaties ( $s_{pre}$ ) bleken minder effectief of instabiel tijdens volledige diffusie-rollouts.

2. Mechanisme: Kanaal-gewijze Affiene Transformaties:
In tegenstelling tot eerdere methoden die residue-voor-residue werken (en dus eiwit-specifiek zijn), zijn ConforNets kanaal-gewijze affiene transformaties (channel-wise affine transforms).

De transformatie wordt gedefinieerd als: $\phi(h) = hW^T + b$ , waarbij $h$ de latente vector is, en $W$ en $b$ trainbare parameters zijn.
Omdat deze transformaties globaal worden toegepast op de latenten, zijn ze eiwit-onafhankelijk en herbruikbaar over verschillende eiwitten heen.

3. Twee Toepassingsscenario's:
De auteurs ontwikkelen twee soorten ConforNets voor twee verschillende doelen:

A. Ongecontroleerde (Unsupervised) Voorspelling van Alternatieve Conformaties:
- Doel: Het genereren van diverse structuren voor één enkel eiwit.
- Methode: Een set van $k$ ConforNets wordt gezamenlijk geoptimaliseerd om de onderlinge afstand tussen de gegenereerde samples te maximaliseren (gebaseerd op distogram CDF of coördinaat-MSE).
- Dit dwingt het model om verschillende modi van het conformationele landschap te verkennen zonder dat er een doelstructuur bekend is.
B. Supervised Transfer van Conformatietoestand:
- Doel: Het induceren van een specifieke, bekende conformatie (bijv. een "actieve" toestand) in een ander eiwit van dezelfde familie.
- Methode: Een ConforNet wordt getraind op een bron-eiwit met een gewenste referentiestructuur om de MSE te minimaliseren.
- Toepassing: Deze getrainde ConforNet wordt vervolgens toegepast op doel-eiwitten (van dezelfde structuurfamilie) om dezelfde conformatieverandering te induceren, zelfs als het standaardmodel deze toestand niet zou voorspellen.

Belangrijkste Resultaten

1. State-of-the-Art Prestaties op Multi-State Benchmarks:
Op een benchmark van 104 eiwitparen met twee verschillende experimentele conformaties (inclusief cryptische pockets, membraantransporters, en domeinbewegingen) presteren ConforNets beter dan alle bestaande methoden (zoals BioEmu, ConforMix, en AFsample3).

Success rates: ConforNets bereiken success rates van tot 83% voor holopockets en 51% voor membraantransporters, wat een aanzienlijke verbetering is ten opzichte van de baseline OF3p (~24-64%).
Efficiëntie: De optimalisatie is zeer snel (<40 GPU-seconden voor een eiwit van 200 residuen) en vereist geen extra training van het basismodel.

2. Succesvolle Supervised Transfer:
Op het nieuwe taakgebied van "conformational transfer" (het overdragen van een toestand van het ene eiwit naar het andere) tonen ConforNets een dramatische verbetering:

GPCR's (Actieve toestand): Success rate stijgt van 24% (standaard OF3p) naar 79%.
Kinases (DFG-out toestand): Stijging van 6% naar 23%.
Transporters (Outward-open): Stijging van 16% naar 57%.
Cruciaal is dat dit werkt zelfs bij eiwitten met een lage structurele gelijkenis (TM-score) met het bron-eiwit, wat aantoont dat het model fundamentele conformationele modi leert in plaats van alleen oppervlakkige sequentie-afhankelijkheden.

3. Fysische Plausibiliteit:
Hoewel de gegenereerde ensembles niet strikt gekalibreerd zijn (niet Boltzmann-gewogen), produceren ConforNets structuren die fysisch plausibel zijn en de experimentele grondwahrheid (ground truth) nauwkeurig nabootsen, inclusief lokale veranderingen zoals het openen van cryptische pockets.

Significantie en Impact

Nieuwe Mechanisme voor Controle: ConforNets introduceren een lichtgewicht, herbruikbaar mechanisme om de conformationele uitkomst van AF3-modellen te sturen zonder het model opnieuw te hoeven trainen.
Overbrug van de "Single-State" Lücke: Het biedt een praktische oplossing voor het probleem dat AF-modellen normaal gesproken slechts één toestand voorspellen, waardoor ze bruikbaarder worden voor toepassingen die dynamiek vereisen, zoals drugdesign (docking in actieve toestanden) en mutatieanalyse.
Generalisatie: De bevinding dat een op één eiwit getrainde "conformatie-controller" succesvol kan worden toegepast op een hele familie van eiwitten, suggereert dat AF3-modellen impliciet rijke fysische priors bevatten die via lichte aanpassingen (zoals LoRA of prompt tuning in andere domeinen) vrij kunnen worden gemaakt.
Toekomstperspectief: Dit werk opent de deur voor het voorspellen van complexe eiwit-ligand interacties en het induceren van specifieke bindingszakken, wat essentieel is voor de ontwikkeling van nieuwe medicijnen.

Kortom, ConforNets bewijst dat het manipuleren van de latente ruimte in de Pairformer van AlphaFold3 een krachtige en efficiënte manier is om de beperkingen van statische structuurvoorspelling te overwinnen en biologisch relevante dynamiek te ontsluiten.