🧬 biology

Deep Learning for Protein Complex Prediction and Design

Deze thesis maakt gebruik van deep learning om de voorspelling en het ontwerp van proteïnecomplexen te bevorderen door gespecialiseerde architecturen te ontwikkelen die structurele hiërarchieën vastleggen en zoekalgoritmes te creëren om sequentieruimtes efficiënt te navigeren voor het identificeren van interacterende homologen en het ontwerpen van nieuwe proteïnesequenties.

Oorspronkelijke auteurs: Ziwei Xie

Gepubliceerd 2026-05-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ziwei Xie

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 eiwitten voor als ingewikkelde, driedimensionale puzzelstukjes die in je lichaam zweven. Om te begrijpen hoe het leven werkt, moeten wetenschappers precies weten hoe deze stukjes in elkaar klikken om grotere machines te vormen die eiwitcomplexen worden genoemd. Soms sluiten twee verschillende stukjes zich aan (een heterodimeer), en soms sluiten twee identieke stukjes zich aan (een homodimeer).

Dit proefschrift van Ziwei Xie neemt het probleem aan van het voorspellen hoe deze stukjes in elkaar passen en, omgekeerd, hoe nieuwe stukjes te ontwerpen die op een specifiek doelwit aansluiten. De auteur gebruikt drie hoofd"tools" (diep leermethoden) om deze puzzels op te lossen.

Hier is een eenvoudige uiteenzetting van de drie belangrijkste bijdragen:

1. GLINTER: De "Handdrukdetector"

Het Probleem: Wanneer twee eiwitten elkaar ontmoeten, raken ze elkaar op specifieke plekken die "interfaces" worden genoemd. Voorspellen waar ze precies elkaar raken, is als proberen te raden welke twee mensen in een drukke ruimte op het punt staan elkaar de hand te schudden, alleen door naar hun individuele kleding te kijken.

De Oplossing (GLINTER):
Stel je GLINTER voor als een super slimme detective die tegelijkertijd naar twee aanwijzingen kijkt:

De Vorm: Het kijkt naar de 3D-vorm van de individuele eiwitten (als het kijken naar de snit van hun kleding).
De Geschiedenis: Het kijkt naar de "familiegeschiedenis" van deze eiwitten. Als twee eiwitten zich over miljoenen jaren samen hebben ontwikkeld, hebben ze waarschijnlijk een "handdrukpatroon". GLINTER gebruikt een speciale AI (een transformer) om deze evolutionaire geschiedenis te lezen.

Het Resultaat: Door de fysieke vorm te combineren met de evolutionaire geschiedenis, kan GLINTER de handdrukplekken veel beter voorspellen dan eerdere methoden. Het werkt goed voor zowel identieke tweelingen (homodimeren) als verschillende partners (heterodimeren). Dit helpt wetenschappers uit te zoeken hoe ze de puzzelstukjes correct in elkaar moeten zetten.

2. ESMPair: De "Matchmaker voor Verdwaalde Familieleden"

Het Probleem: Om te voorspellen hoe twee verschillende eiwitten met elkaar interageren, moeten wetenschappers hun "familieleden" (homologen) van andere soorten vinden om te zien hoe ze samen evolueerden. Echter, in complexe organismen (zoals mensen/eukaryoten) zijn er veel look-alike familieleden (paralogen). Het is als proberen de specifieke tweeling van een persoon uit een ander land te matchen, maar er zijn 50 mensen die er precies zo uitzien in dat land. Traditionele methoden kiezen vaak de verkeerde "tweeling", wat leidt tot een slechte voorspelling.

De Oplossing (ESMPair):
ESMPair is een nieuw matching-algoritme dat een "Taalmodel" gebruikt (een AI die is getraind op miljoenen eiwitzinnen).

In plaats van alleen te kijken naar hoe vergelijkbaar de namen (sequenties) zijn, kijkt ESMPair naar hoe de eiwitten in hun evolutionaire geschiedenis naar elkaar "luisteren".
Stel je voor dat je probeert dansers aan elkaar te koppelen. In plaats van alleen te controleren of ze dezelfde schoenmaat hebben, luistert ESMPair naar de muziek die ze allebei kennen en ziet wie natuurlijk op hetzelfde ritme beweegt.

Het Resultaat: ESMPair is veel beter in het vinden van de juiste evolutionaire partners, vooral voor complexe organismen waar veel look-alikes zijn. Wanneer het deze juiste koppelingen doorgeeft aan de belangrijkste voorspellingmotor (AlphaFold-Multimer), zijn de resulterende 3D-structuren aanzienlijk nauwkeuriger. Het werkt ook uitstekend voor "kruis-rijk" koppels (zoals een menselijk eiwit dat een bacterie-eiwit ontmoet), wat meestal zeer moeilijk te voorspellen is.

3. RedNet: De "Op Maat Maken van Kostuums"

Het Probleem: Soms wil je niet alleen voorspellen hoe eiwitten passen; je wilt een nieuw eiwit ontwerpen dat werkt als een sleutel om op een specifiek doelwit te vergrendelen (zoals een medicijn). Dit heet "binder design". De uitdaging is het maken van een sleutel die perfect in het slot past, maar niet in een ander vergelijkbaar slot in de buurt.

De Oplossing (RedNet):
RedNet is een ontwerptool die werkt als een meesterkleermaker.

Het Skelet: Het begint met een vast "skelet" (de ruggegraat) van het eiwit dat je wilt ontwerpen.
De Stof: Het bepaalt vervolgens welke aminozuren (de stof) te gebruiken om dat skelet te bedekken.
De Contrastieve Truc: Dit is het slimme deel. RedNet probeert niet alleen het kostuum te laten passen op het doelwit. Het gebruikt een "contrastieve" methode: het vraagt: "Past dit kostuum het doelwit beter dan het past op een look-alike doelwit?" Het leert door de "goede pasvorm" te vergelijken met de "slechte pasvorm".

Het Resultaat: RedNet ontwerpt eiwitten die niet alleen stabiel zijn, maar ook zeer specifiek. Ze plakken stevig aan het beoogde doelwit, maar negeren zeer vergelijkbare "bedrieger"-doelwitten. Dit is cruciaal voor het maken van medicijnen die een ziekte genezen zonder bijwerkingen te veroorzaken door het verkeerde eiwit aan te vallen.

Samenvatting

Kortom, dit proefschrift bouwt een toolkit voor de toekomst van de biologie:

GLINTER helpt ons te zien waar eiwitten elkaar raken.
ESMPair helpt ons de juiste evolutionaire partners te vinden om die voorspellingen nauwkeurig te maken.
RedNet helpt ons nieuwe eiwitten te ontwerpen die werken als precieze, op maat gemaakte sleutels voor specifieke biologische sloten.

Samen tonen deze tools aan dat door diep leren te combineren met de regels van evolutie en fysica, we de moleculaire machines van het leven beter kunnen begrijpen en engineeren.

Op basis van de vermelde proefschrifttekst volgt hier een gedetailleerde technische samenvatting van het werk gepresenteerd in Hoofdstuk 3: Verbeterde structuurvoorspelling van proteïne-heterodimeren met proteïne-taalmodellen.

Probleemstelling

Accurate voorspelling van de structuur van proteïnecomplexen, met name heterodimeren (complexen gevormd door twee verschillende proteïneketens), blijft een aanzienlijke uitdaging in de computationele structurele biologie. Hoewel AlphaFold2 een revolutie teweegbracht in de voorspelling van monomeerstructuren, staat zijn uitbreiding naar complexen, AlphaFold-Multimer, voor een kritieke bottleneck: de constructie van interologe Multiple Sequence Alignments (MSA's).

Om een complexstructuur te voorspellen, vereist AlphaFold-Multimer een gezamenlijke MSA waarbij homologe sequenties van de twee samenstellende ketens correct over soorten heen gekoppeld zijn. Traditionele methoden vertrouwen op heuristische strategieën zoals:

Op fylogenie gebaseerde koppeling: Groeperen van sequenties per soort en rangschikken op basis van gelijkenis met de query, waarna sequenties van dezelfde rang worden gekoppeld.
Genomische co-localisatie: Koppelen van sequenties op basis van hun nabijheid in bacteriële operons.

Deze methoden hebben aanzienlijke moeite met eukaryote doelen en gevallen waarbij paralogen (meerdere vergelijkbare sequenties binnen dezelfde soort) betrokken zijn, wat vaak leidt tot onjuiste koppelingen en een slechte nauwkeurigheid van de structuurvoorspelling. Het kernprobleem dat wordt aangepakt, is hoe men automatisch en effectief interacterende homologen (interologen) kan identificeren om hoogwaardige gezamenlijke MSA's te construeren voor heterodimeer-voorspelling, met name in moeilijke taxonomische domeinen.

Methodologie: ESMPair

Het proefschrift stelt ESMPair voor, een nieuw MSA-koppelingsalgoritme dat gebruikmaakt van Proteïne-taalmodellen (PLM's), specifiek het voorgeöordeelde ESM-MSA-1b-model, om homologen te identificeren en te koppelen.

Het Proces:

MSA-Generatie: Voor een query-heterodimeer worden individuele MSA's gegenereerd voor elke keten met behulp van JackHMMER tegen de UniProt-database.
Soortgroepering: Homologen in elke MSA worden gegroepeerd per soort.
Op attentie gebaseerde scoring: Het ESM-MSA-1b-model wordt gebruikt om kolomsgewijze attentiescores te schatten tussen de query-sequentie en elke homolog in de MSA.
- Het model berekent een matrix van kolomattentiegewichten ( $A \in \mathbb{R}^{N \times N}$ ) voor elke laag, kop en kolom.
- Deze matrices worden gesymmetriseerd en geaggregeerd (opgeteld) over lagen, koppen en kolommen om een matrix van paarsgewijze gelijkenis $S$ te produceren.
- De eerste rij van $S$ ( $S_1$ ) vertegenwoordigt de gelijkenis tussen de query en alle geraakte sequenties.
Rangschikking en Koppeling: Binnen elke soortgroep worden sequenties gerangschikt op basis van hun gelijkenisscore in $S_1$ . Sequenties van de twee ketens die dezelfde soort en dezelfde rang delen, worden gekoppeld en samengevoegd om de interologe MSA te vormen.
Structuurvoorspelling: De resulterende gekoppelde MSA wordt ingevoerd in AlphaFold-Multimer om de complexstructuur te voorspellen.

Belangrijk technisch onderscheid: In tegenstelling tot eerdere methoden die vertrouwen op sequentie-identiteit of genomische nabijheid, maakt ESMPair gebruik van de co-evolutionaire signalen die zijn vastgelegd in de attentiekarten van een groot-schaal proteïne-taalmodel om de waarschijnlijkheid van interactie tussen homologen te bepalen.

Belangrijkste Bijdragen

Eerste PLM-gebaseerde MSA-construktie: Dit werk vertegenwoordigt de eerste toepassing van voorgeöordeelde Proteïne-taalmodellen voor het construeren van gezamenlijke MSA's voor de voorspelling van proteïnecomplexen.
ESMPair-algoritme: De ontwikkeling van een eenvoudige maar effectieve koppelingsstrategie die kolomattentiescores van ESM-MSA-1b gebruikt om paraloge ambiguïteit op te lossen.
Ensemble-strategie: Het aantonen dat het combineren van ESMPair met andere koppelingsmethodes (bijv. op genoom gebaseerd, Blok-diagonalisatie) via een ensemble-aanpak superieure resultaten oplevert dan welke enkele strategie dan ook.
Factoranalyse: Een kwantitatieve analyse die MSA-eigenschappen (diversiteit, diepte, aantal soorten) en attentiescores koppelt aan de voorspellingnauwkeurigheid.

Resultaten

De methode werd geëvalueerd op drie testsets: pConf70 (doelen met lage betrouwbaarheid), pConf80, en DockQ49 (doelen met lage voorspelde nauwkeurigheid).

Prestatieverbetering: ESMPair presteerde consequent beter dan de standaard AlphaFold-Multimer-koppelingsstrategie en andere baselines (Genoom, Blok-diagonalisatie).
- Op de pConf70-set behaalde ESMPair een Top-5 Best DockQ-score van 0,259, vergeleken met 0,234 voor AlphaFold-Multimer (een relatieve verbetering van ongeveer 10,7%).
- Op de DockQ49-set verbeterde de Top-5 Best DockQ-score van 0,247 (AF-Multimer) naar 0,265 (ESMPair).
Taxonomische Robuustheid:
- ESMPair toonde de meest significante winst op eukaryote doelen, waar op fylogenie gebaseerde methoden moeite hebben vanwege het hoge aantal paralogen.
- Het toonde uitzonderlijke prestaties op kruis-rijk paren (Eukaryoot-Bacterie), waarbij het baselines met een grote marge overtrof (bijv. DockQ 0,394 versus 0,314 voor AF-Multimer).
Doelen met Lage Betrouwbaarheid: De relatieve verbetering van ESMPair ten opzichte van AlphaFold-Multimer was negatief gecorreleerd met de voorspelde betrouwbaarheidsscore (pConf). De methode bood de grootste winst op moeilijke, doelen met lage betrouwbaarheid (pConf < 0,7), waar verbeteringen in DockQ in sommige gevallen tot 100% reikten.
Ensemble-voordelen: Het combineren van ESMPair met andere strategieën (bijv. ESMPair + Genoom) verhoogde het succespercentage verder naar 44,6% (Top-5 Best DockQ 0,277), en een ensemble van drie strategieën bereikte een succespercentage van 46,8%.
Casestudies:
- ESMPair voorspelde correct de bindingsplaatsen en ligandoriëntaties voor doelen waar AlphaFold-Multimer faalde (bijv. 7VSI, 7AQU).
- In het geval van het NFM-INA intermediaire filament-heterodimeer voorspelde ESMPair correct een vier-helixbundel-structuur die consistent was met experimenteel bewijs, terwijl AlphaFold-Multimer gescheiden spiralen voorspelde.

Betekenis en Aanspraken

Het artikel beweert dat ESMPair effectief de bottleneck van MSA-koppeling bij heterodimeer-voorspelling aanpakt door gebruik te maken van de rijke co-evolutionaire informatie die is gecodeerd in Proteïne-taalmodellen.

Generaliseerbaarheid: De methode wordt beschreven als een algemeen en automatisch algoritme dat niet afhankelijk is van domeinspecifieke heuristieken (zoals operonlocatie), waardoor het robuust is over verschillende taxonomische domeinen, met name waar traditionele methoden falen (Eukaryoten).
Complementariteit: Het werk benadrukt dat verschillende koppelingsstrategieën verschillende signalen vastleggen; daarom is een ensemble-aanpak de meest effectieve manier om interologen te identificeren.
Impact: Door de kwaliteit van invoer-MSA's te verbeteren, verbetert ESMPair aanzienlijk de nauwkeurigheid van downstream structuurvoorspellingsmodellen zoals AlphaFold-Multimer, met name voor uitdagende doelen die momenteel moeilijk te modelleren zijn. De auteurs merken op dat deze aanpak diepgaande implicaties heeft voor biologische toepassingen die vertrouwen op hoogwaardige complexstructuurvoorspellingen.

Het proefschrift concludeert dat hoewel ESMPair een belangrijke stap voorwaarts is, het veld moet blijven zoeken naar manieren om PLM's te benutten voor MSA-construktie en -selectie, en dat deze methoden kunnen worden toegepast om andere op MSA gebaseerde toepassingen in de structurele biologie te verbeteren.