Technische Samenvatting: Frequentieruimtemechanica voor de Voorspelling van Proteïnefunctie

Probleemstelling

De voorspelling van proteïnefunctie is aanzienlijk vooruitgegaan dankzij taallmodellen op basis van sequenties en statische structuurvoorspellers zoals AlphaFold2. Deze benaderingen vertrouwen echter op representaties die zijn geworteld in sequentie of statische 3D-coördinaten, waarbij geen van beide de collectieve vibratiedynamica vastlegt waarmee proteïnen hun biologische functies uitvoeren. Processen zoals katalyse, allosterie, conformatieselectie en substraatkanalisatie zijn mechanische fenomenen die zich ontvouwen over het vibratiespectrum van een proteïne. Bestaande representaties zijn "blind" voor deze dynamica, wat een gat creëert in het begrip van de fysieke mechanismen van functie. Bovendien leveren traditionele dynamische analyses (bijvoorbeeld Normal Mode Analysis, Elastic Network Models) eigenvectoren op die gekoppeld zijn aan specifieke atoomcoördinaten, waardoor ze niet invariant zijn ten opzichte van rotatie, translatie en veranderingen van basis, en dus moeilijk te vergelijken zijn tussen verschillende proteïnen of schalen.

Methodologie: Frequentieruimtemechanica

De auteurs introduceren Frequentieruimtemechanica, een coördinaatvrij, sequentievrij en schaal-invariant representatief raamwerk. Het kernobject van dit raamwerk is de Mechanical Harmonics Graph (MHG).

1. De Pipeline

De constructie van een MHG verloopt in drie fasen:

• Input & Hessian-schatting: Uitgaande van een proteïne-structuur (bijvoorbeeld een AlphaFold-voorspelling) wordt een korte moleculaire dynamica (MD)-traject gegenereerd. Een kracht-verplaatsingsschatting van de Hessian-matrix wordt berekend uit dit traject.
• Eigenontbinding: De Hessian wordt gediagonaliseerd om een spectrum van vibratiemodi (eigenwaarden en eigenvectoren) te verkrijgen. De zes triviale stijve-lichaamsmodi worden verworpen.
• Grafconstructie:
  • Knopen: Elke overgebleven vibratiemodus wordt een knoop.
  • Randen: De graaf is volledig verbonden. Randen stellen harmonische koppelingen voor, gewogen op basis van oktaafstijfheid. Deze gewicht is een exponentiële kern gebaseerd op de log-frequentieratio tussen twee modi ($f_i/f_j$), waarbij maximale koppeling wordt toegewezen aan gehele oktaafrelaties en die glad afneemt bij afwijking.
  • Functies: Knoopfuncties coderen de eigenwaarde en de cumulatieve koppelingsgewicht (knoopgewicht). Randfuncties coderen stijfheid, harmonische afstand en frequentieratio.

2. Entrainment-dynamica

Om de relaxatie van het systeem naar harmonische uitlijning te modelleren, passen de auteurs Kuramoto-entrainment (Variant V2) toe op de statische MHG. Deze bewerking trekt modusfrequenties iteratief naar harmonische uitlijning met hun buren, gewogen op basis van oktaafstijfheid. Dit wordt formeel beschreven als een Hamiltoniaanse bewerking over modusfrequenties. Vijf entrainment-varianten zijn geïmplementeerd, maar Kuramoto-synchronisatie (V2) is de primaire focus.

3. Leerarchitectuur

De resulterende MHG (statisch of geentraineerd) wordt verwerkt door een Graph Neural Network (GNN), specifiek een GATv2-architectuur, om Gene Ontology (GO) moleculaire functietermen te voorspellen. Het model wordt getraind zonder enige sequentie-informatie, uitsluitend vertrouwend op de grafstructuur en knoop-/randfuncties die zijn afgeleid van vibratiefysica.

Belangrijkste Bijdragen

1. Een Coördinaatvrije Representatie van Dynamica

De MHG abstrahereert atoomcoördinaten weg en projecteert het systeem in een latente mechanische ruimte die volledig wordt gedefinieerd door de harmonische relaties tussen vibratiemodi. Dit maakt het mogelijk om verschillende proteïnen, verschillende conformaties en potentieel verschillende biologische schalen te vergelijken binnen één vergelijkbare ruimte.

2. Voorspelling van Functie Uitsluitend op Basis van Vibratiefysica

De auteurs tonen aan dat vibratiefysica alleen brede functionele klassen codeert. Een GNN getraind op statische MHG's van 5.238 SwissProt-proteïnen (onder een strikte 30%-sequentie-identiteitsverdeling) voorspelt succesvol GO moleculaire functietermen. Dit stelt vast dat functionele informatie toegankelijk is zonder evolutionaire signalen of sequentiedata.

3. De Partitionering van de Ruimte van Proteïnefunctie

Een kritieke bevinding is dat de ruimte van proteïnefunctie is gepartitioneerd in twee regimes op basis van het nut van entrainment:

• Statisch Regime: Functies die afhankelijk zijn van lokale structurele kenmerken (bijvoorbeeld brede binding, statische katalytische activiteiten) worden goed voorspeld door de statische MHG.
• Geentraineerd Regime: Functies die afhankelijk zijn van collectieve conformatiedynamica (bijvoorbeeld receptorbinding, ATP-gekoppelde transport, signalering) tonen aanzienlijke verbeteringen in voorspelling wanneer de MHG wordt onderworpen aan Kuramoto-entrainment. De entrainment-bewerking fungeert als een "conformatieversterker", waardoor signalen zichtbaar worden die pas zichtbaar zijn nadat de graaf is gerelaxeerd naar harmonische vaste punten.

4. Herstel van Fold-Switching-toestanden

Op CLIC1, een fold- en functieswitchend chloridekanaal dat is uitgesloten van training, versterkte Kuramoto-entrainment het voorspellingssignaal voor kanaalactiviteit met 7,5-voud en antioxidantactiviteit met 2,4-voud. Het raamwerk herstelde beide functionele toestanden uitsluitend uit vibratiedynamica, ondanks dat het proteïne schakelt tussen twee verschillende folds (oxidoreductase en ionkanaal) die aparte takken van de GO-ontologie bezetten.

5. Quantum-compatibiliteit

De Kuramoto-entrainment-stap is formeel een Hamiltoniaans minimaliseringsprobleem over modusfrequenties. Dit mapt direct af op quantum annealing-architecturen (bijvoorbeeld D-Wave), variational quantum eigensolvers en quantum walks. De MHG dient als een probleeminstance die kwantumsolvers kunnen aanpakken zonder de rest van de pipeline te wijzigen.

Resultaten

• Autoencoder-validatie: Een gemaskerde groep-autoencoder bevestigde dat de "hub-structuur" (knooporganisatie) in frequentieruimte het meest informatief onafhankelijke kenmerk van de MHG is, wat suggereert dat het ontstaan van hoog-gewogen hub-modi een fundamentele eigenschap van de representatie is.
• Classificatieprestaties: Op de 675 primaire GO-termen bereikte de GNN op statische MHG's een $F_{max}$ van 0,039, wat significant beter was dan een scalar MLP (0,029). Hoewel dit bescheiden is vergeleken met sequentiegebaseerde methoden, werd deze prestatie bereikt zonder sequentie-invoer of homologie.
• Entrainment-winsten: Kuramoto-entrainment (V2) verbeterde de voorspelling voor specifieke functionele categorieën. Bijvoorbeeld, G-eiwitgekoppelde receptorbinding verbeterde met $\Delta F_{max} = +0,286$.
• CLIC1-analyse: Directe interrogatie van de MHG op het CLIC1-traject onthulde dat entrainment de conformatiegevoeligheid versterkt met tot 1217-voud (in termen van variantie in allosterische overdrachtsefficiëntie). Het identificeerde ook een verschuiving in het "mechanische centrum" van het proteïne van de C-terminus (fold 1) naar het kanaalgebied (fold 2) en een topologische reorganisatie van harmonische ketens (van 2 naar 3 ketens) tijdens de overgang.
• Metingversterking: De geentraineerde graaf onderscheidt geometrisch intermediaire toestanden (waar de allosterische overdrachtsefficiëntie piekt) die in de statische graaf niet te onderscheiden zijn.

Betekenis en Claims

Het artikel claimt Frequentieruimtemechanica te vestigen als een nieuw representatief domein voor biologische dynamica, distinct van sequentie en statische structuur. De betekenis hiervan ligt in:

1. Mechanistisch Inzicht: Het toont aan dat het fysieke mechanisme van functie (collectieve vibratie) voldoende is om functionele klasse te coderen, onafhankelijk van evolutionaire geschiedenis.
2. Universaliteit: Het raamwerk is substraat-onafhankelijk. Omdat het uitsluitend vertrouwt op de eigenontbinding van een covariantiematrix, is het van toepassing op elk systeem met hanteerbare dynamica, van femtoseconde bindingsvibraties tot genregulatienetwerken en financiële markten.
3. Hardware-compatibiliteit: Het biedt een formeel gespecificeerde interface voor kwantumcomputing, waarbij de voorspelling van proteïnefunctie en conformatiesampling worden omgezet in Hamiltoniaanse minimaliseringsproblemen die oplosbaar zijn met huidige quantum annealing-hardware.
4. Schalbaarheid: Het raamwerk biedt een weg naar een "mechanische ecologie" van de cel, waarbij proteïnefunctie wordt gemodelleerd als onderdeel van een continu mechanisch spectrum dat 28 orde van grootte beslaat in frequentie, verenigd door harmonische koppelingsstructuren.

De auteurs positioneren dit werk niet als een vervanging voor sequentiegebaseerde methoden, maar als een complementaire benadering die toegang biedt tot een ander, fysiek onderbouwd niveau van biologische informatie, met name voor systemen waarbij collectieve dynamica de primaire drijver van functie is.