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

Technische Samenvatting: Modellering van Atomaire Conformationele Ensembles via Supervisie op Testtijd van Boltz-2 op Cryo-EM Dichtheidskaarten

Probleemstelling

De voorspelling van atomaire conformationele ensembles van eiwitten op basis van hun sequentie is een kritiek grensvlak in de structurele biologie, maar wordt gehinderd door een schaarste aan hoogwaardige experimentele ensemble-data. Hoewel cryo-elektronmicroscopie (cryo-EM) eiwitten toestaat een bredere reeks conformaties te verkennen dan röntgenkristallografie, blijft de integratie van deze data in trainingspijplijnen moeilijk. Momenteel vertrouwt het veld op een tweestapsproces: experimentele cryo-EM-dichtheidskaarten worden handmatig of semi-automatisch omgezet in atomaire structurele ensembles (modelbouw), en deze resulterende structuren worden vervolgens gebruikt om sequentie-naar-ensemble-voorspellers te trainen. Deze pijplijn wordt beperkt door de moeilijkheid van atomaire modelbouw in heterogene cryo-EM-volumes met lagere resolutie, wat vaak leidt tot onvolledige structuren of onnauwkeurige stereochemie. Bijgevolg ontbreken in openbare repositories zoals de PDB de rijke dynamische data die aanwezig is in ruwe cryo-EM-experimenten, waardoor ensemble-voorspellingsmodellen blind blijven voor deze variaties.

Methodologie: CryoSampler

De auteurs stellen CryoSampler voor, een unifyend kader dat het traditionele tweestapsproces omzeilt door een voorgetrainde statische structuurvoorspeller (Boltz-2) direct te fine-tunen op ruwe cryo-EM-dichtheidskaarten. De methode is een latente diffusiemodel (LDM) dat in twee distincte stadia wordt getraind:

1. Stadium 1: 3D Variational Autoencoder (VAE) voor Modelbouw

   • Architectuur: Een 3D ruimtelijke VAE wordt getraind om een verdeling van atomaire vervormingen te leren. De encoder comprimeert een invoerensemble van cryo-EM-kaarten tot een latente representatie. De decoder genereert een 3D-kenmerkrooster dat een hybride neurale veld van atomaire offset voorstelt.
   • Proces: Het model neemt een statische referentiestructuur ($X_{ref}$) gegenereerd door Boltz-2 en past voorspelde per-atoom offset toe om deze te vervormen tot een geschat atomaire ensemble ($\hat{X}$).
   • Differentieerbare Rendering: De geschatte atomaire coördinaten worden teruggerenderd naar een geschat kaartensemble ($\hat{V}$) met behulp van een differentieerbaar fysisch gebaseerd cryo-EM-forwardmodel ($\mathcal{F}_{EM}$).
   • Verliesfunctie: De VAE wordt end-to-end geoptimaliseerd met behulp van:
     • Reconstructieverlies ($\mathcal{L}_{recon}$): Inverse genormaliseerde kruiscorrelatie (NCC) tussen de invoer en gerenderde kaarten om de pasvorm van kaart-model te waarborgen.
     • Structureel Verlies ($\mathcal{L}_{structural}$): Omvat differentieerbare MolProbity-metrics (Ramachandran-outliers, rotamer-outliers, botsingen) en een nieuwe zachte starre-ligging-ruggengraatverlies om de geometrie van secundaire structuren te behouden.
     • KL-Divergentie: Regulariseert de latente ruimte.

2. Stadium 2: Latente Diffusiemodel

   • Training: Zodra de VAE is getraind, worden de gewichten bevroren. Een flow-matching diffusiemodel wordt getraind op de latente embeddings ($\mu$) die uit de VAE zijn gehaald voor het trainingsset van cryo-EM-kaarten.
   • Doel: Het model leert een vectorveld dat interpoleert tussen een standaard normale prior ($z_0$) en de doel-late verdeling ($z_1$) met behulp van een continue-tijd flow-matching-doelstelling.
   • Inferentie: Tijdens de inferentie kan het model nieuwe latente codes samplen uit Gaussisch ruis, die worden gedecodeerd door de bevroren VAE om atomaire conformaties te produceren. Dit maakt het mogelijk om ensembles te genereren voor onbekende eiwitten binnen dezelfde familie zonder nieuwe cryo-EM-data te vereisen (in-domein generalisatie).

Belangrijkste Bijdragen

• Directe Supervisie op Ruwe Kaarten: Het artikel introduceert een principe voor het fine-tunen van fundamentele modellen (specifiek Boltz-2) direct op ruwe cryo-EM-dichtheidskaarten, waardoor de noodzaak van een tussenliggende, foutgevoelige atomaire modelbouwstap voor training wordt geëlimineerd.
• Unifyend Kader: CryoSampler combineert modelbouw en ensemblegeneratie in één procedure, waarbij state-of-the-art kaart-modelpasvorm en stereochemische nauwkeurigheid worden bereikt.
• In-domein Generalisatie: De auteurs tonen aan dat de methode geleerde conformationele kenmerken kan overdragen van één lid van een eiwitfamilie (bijv. TRPV3) naar een ander (bijv. TRPV5), waardoor accurate atomaire ensembles worden gegenereerd voor het doeleiwit zonder experimentele dichtheidskaarten.

Resultaten

De methode werd geëvalueerd op vier biologische systemen: TRPV3, integrine $\alpha_V\beta_8$, neurokinine-1 GPCR en menselijke P-glycoproteïne.

• Nauwkeurigheid van Modelbouw: CryoSampler behaalde een superieure kaart-modelpasvorm (gemeten via $CC_{volume}$, $CC_{mask}$, $CC_{peaks}$ en $CC_{box}$) in vergelijking met bestaande methoden zoals ModelAngelo, E2GMM en native Boltz-2. Bijvoorbeeld, op TRPV3 behaalde CryoSampler een $CC_{volume}$ van $0.84 \pm 0.02$, wat beter is dan ModelAngelo ($0.79 \pm 0.08$) en Boltz-2 ($0.31 \pm 0.03$).
• Stereochemie: De gegenereerde modellen behielden concurrerende MolProbity-scores, waardoor fysiek geldige geometrieën werden gewaarborgd.
• Ensemblevoorspelling (TRPV5): In een zero-shot transfer-experiment voorspelde het model dat op TRPV3-kaarten was getraind, succesvol het conformationele ensemble van TRPV5. Het behaalde een lagere Wasserstein-afstand ($W_2$) ($0.44$) in vergelijking met Boltz-2 ($0.61$) en Normal Mode Analysis ($0.58$), wat wijst op een hogere fideliteit ten opzichte van het experimentele TRPV5-kaartensemble.

Betekenis en Beweringen

De auteurs beweren dat CryoSampler potentieel aantoont om generaties-atomaire ensemblevoorspellingsmodellen direct te trainen op ruwe cryo-EM-metingen. Door voorgetrainde modellen te superviseren op de ruwe data-verdeling in plaats van verwerkte atomaire structuren, overwint de methode de beperkingen van huidige tweestapspijplijnen.

Het artikel presenteert bescheiden zijn generalisatiebeweringen: terwijl het sterke in-domein generalisatie toont (het overdragen van kenmerken binnen de TRP-kanaalfamilie), claimt het in dit werk geen out-of-domein generalisatie over diverse eiwitfamilies. De auteurs schrijven dit toe aan de schaarste aan openbare cryo-EM-ensemble-data. Zij stellen dat hun aanpak de bouwstenen legt voor toekomstige fundamentele modellen die direct kunnen worden getraind op ruwe experimentele data, wat zich potentieel kan uitbreiden naar andere modaliteiten zoals kristallografische structuurfactoren of NMR-spectra. De primaire validatie blijft het vermogen om hoogwaardige atomaire modelbouw uit te voeren op kaartensembles en accurate ensembles te genereren voor verwante eiwitten.