Technische Samenvatting: CrystalBoltz

Probleemstelling

Modellen voor voorspelling van proteïnestructuren die zijn getraind op openbare databases (bijv. AlphaFold, Boltz-2) bieden krachtige structurele priors, maar zijn doorgaans niet voorwaardelijk gesteld op nieuwe experimentele data. In röntgenkristallografie is de primaire uitdaging het "faseprobleem": gemeten amplitude van structuurfactoren ($|F_o|$) missen fase-informatie, wat betekent dat ze niet uniek een elektronendichtheidskaart of atomaire structuur bepalen. Bijgevolg blijft structuurbepaling een invers probleem waarbij kandidaatmodellen zowel structureel plausibel als consistent moeten zijn met de gemeten diffractiegegevens.

Huidige workflows vertrouwen vaak op aanzienlijke handmatige verfijning door experts of iteratieve methoden die moeite hebben om experimentele data direct in generatieve steekproefneming te integreren. Hoewel recente methoden proberen voorspellers te sturen met experimentele signalen, werken zij vaak op sequentie-invoer of latente representaties in plaats van direct te conditioneren op waargenomen amplitude van structuurfactoren. Bovendien kunnen bestaande, experimenteel geleide verfijningsmethodes rekenkundig duur zijn, wat hun bruikbaarheid beperkt tijdens actieve dataverzamelsessies.

Methodologie

CrystalBoltz is een end-to-end generatief raamwerk dat kristallografische structuurbepaling formuleert als experimentgeleide posterior-steekproefneming met behulp van een diffusieprior. De methode werkt in twee distincte fasen:

1. Experimentgeleide Diffusiesteekproefneming

De kern van CrystalBoltz is de integratie van een op sequentie voorwaardelijke diffusieprior (Boltz-2) met een differentieerbare kristallografische waarschijnlijkheid. Het doel is om een structuur $X$ te steekproeven uit de posterior-verdeling $p(X|a, c, y)$, waarbij $a$ de proteïnesequentie is, $c$ kristalparameters vertegenwoordigt (eenheidscel en ruimtelijke groep), en $y$ de experimentele observabelen zijn ($|F_o|$).

• Diffusie Posterior-steekproefneming (DPS): De methode verrijkt de omgekeerde stochastische differentiaalvergelijking (SDE) van de Boltz-2-prior met gradiënten van de experimentele waarschijnlijkheid. Volgend op het DPS-raamwerk wordt de onberekenbare marginale waarschijnlijkheid benaderd met behulp van de formule van Tweedie, waarbij de één-stapsvoorspelling van de denoiser ($\hat{X}_0$) wordt gebruikt als een puntsschatting van de schone structuur.
• Differentieerbaar Voorwaarts Model: Om gradiëntgebaseerde geleiding mogelijk te maken, maakt CrystalBoltz gebruik van SFCalculator, een tool die een differentieerbare berekening biedt van verstrooiing door bulkoplossing en structuurfactoren. Dit maakt de directe berekening van gradiënten met betrekking tot atomaire coördinaten mogelijk.
• Waarschijnlijkheidsgeleiding: Het geleidingssignaal is afgeleid van twee waarschijnlijkheidsdoelen die berekende amplitude ($|F_c|$) vergelijken met waargenomen amplitude ($|F_o|$):
  1. Een heteroscedastische kleinste-kwadratenverlies (Gaussische foutenmodel).
  2. Een Rice-verdeling waarschijnlijkheid, die rekening houdt met de statistische eigenschappen van structuurfactoren (complex normaal voor acentrische reflecties, reëel normaal voor centrische reflecties) en atomaire coördinaatfouten incorporeert via een $\sigma_A$-parameter.
• Planning: Geleiding wordt niet vanaf het begin van het diffusieproces toegepast. In plaats daarvan begint de steekproefneming ongeleid om een ruwe ruggegraatvouw te laten ontstaan. Experimentele geleiding wordt op een specifiek tijdstip ($t_g$) ingeschakeld zodra een plausibele structuur is gevormd, waardoor wordt voorkomen dat de vroege, ruisevolle fasen door de waarschijnlijkheidsgradiënt naar valse minima worden getrokken.

2. Post-geleide Verfijning

De diffusiefase produceert een globale structuur, maar mist mogelijk lokale precisie (bijv. zijketen-rotameren) en nauwkeurige B-factoren. Een tweede fase voert post-geleide verfijning uit:

• De gedenoiseerde structuur wordt uitgelijnd op het kristalframe.
• Atomaire coördinaten en isotrope B-factoren worden gezamenlijk geoptimaliseerd tegen de experimentele data.
• In tegenstelling tot de diffusiefase, die vertrouwen stelt op waarschijnlijkheidsgradiënten die via de denoiser worden voortgeplant, optimaliseert deze fase het kristallografische doel direct (ofwel de correlatiecoëfficiënt of de R-factor) met uitsluitend het voorwaartse model.
• B-factoren worden geïnitieerd vanuit de pLDDT-scores van de prior en begrensd tot fysische bereiken ($[1, 80] \text{ \AA}^2$).

Belangrijkste Bijdragen

1. Formulering als Posterior-steekproefneming: Het artikel presenteert kristallografische structuurbepaling als experimentgeleide posterior-steekproefneming met een diffusieprior, waarbij experimentele amplitude van structuurfactoren op een end-to-end manier direct wordt gekoppeld aan atomaire structuren.
2. Native Waarschijnlijkheidsgeleiding: De auteurs leiden kristallografie-native waarschijnlijkheidsgeleiding af van differentieerbare doelen voor structuurfactoren (met gebruik van SFCalculator), waardoor het model grote conformationele veranderingen kan oplossen die door priors op basis van alleen sequentie mogelijk worden gemist.
3. Hybride Pijplijn: De methode combineert geleide steekproefneming (voor globale conformationele zoektocht) met een post-geleide verfijningsfase (voor lokale coördinaat- en B-factooroptimalisatie), waarbij de taken van vouwbepaling en precieze fitting worden gescheiden.
4. Efficiëntie: Het raamwerk bereikt state-of-the-art overeenkomstsmetingen terwijl het de runtime aanzienlijk verlaagt in vergelijking met bestaande experimenteel geleide methoden.

Experimentele Resultaten

De auteurs evalueerden CrystalBoltz op zes proteïne-doelen uit de PDB (8DWN, 4NTZ, 7O51, 7SEZ, 7VNX, 1L63) met resoluties variërend van 1,69 tot 2,20 Å.

• Nauwkeurigheid: CrystalBoltz behaalde consistent lagere RMSD voor coördinaten en lagere R-factoren ($R_{work}$ en $R_{free}$) in vergelijking met sterke baselines, waaronder Phenix (geïnitieerd vanuit Boltz-2), ongeleid Boltz-2 en ROCKET (een recente datageleide methode die MSA-embeddings optimaliseert).
  • Op doelen met significante conformationele verschillen ten opzichte van de prior (bijv. 8DWN en 4NTZ) toonde CrystalBoltz het vermogen om grote structurele herschikkingen te corrigeren, waarbij de RMSD werd verlaagd van ~2,6–4,5 Å (baselines) naar ~1,3 Å.
  • Op doelen waar de prior al dicht bij de grondwahrheid lag, bood CrystalBoltz nog steeds consistente verbeteringen in R-factoren.
• Runtime: CrystalBoltz behaalde een 33,3× snelheidswinst ten opzichte van ROCKET op identieke hardware (NVIDIA A6000). Waar ROCKET ongeveer 376 minuten vereiste (met inbegrip van iteratieve MSA-optimalisatie en meerdere verfijningsfasen), voltooide CrystalBoltz de taak in ongeveer 11,3 minuten. Deze reductie maakt experimenteel geleide verfijning haalbaar tijdens beamtime-sessies in plaats van als een offline nabewerkingsstap.
• Ablatiestudies:
  • Oplossingsmodel: Het opnemen van de differentieerbare term voor bulkoplossing in het voorwaartse model verbeterde de correlatiecoëfficiënt (CC) consistent met ~0,05–0,10, wat de noodzaak bevestigt van het modelleren van oplossingverstrooiing.
  • B-factoorverfijning: Het gezamenlijk optimaliseren van B-factoren naast coördinaten verbeterde de RMSD door lokale wanorde te absorberen, waardoor coördinaten nauwkeuriger konden ontspannen richting de referentie.
  • Planning: Het uitstellen van geleiding totdat een ruwe vouw was ontstaan (geleiding halverwege) was cruciaal; het toepassen van geleiding vanaf de eerste stap verslechterde de prestaties door de trajecten naar slechte minima te trekken voordat de topologie was vastgesteld.

Betekenis en Claims

Het artikel stelt dat het verplaatsen van experimentele conditionering naar het generatieve steekproefnemmingsproces een effectief pad is naar snellere, data-consistente structuurbepaling. Door geleerde structurele priors te integreren met kristallografie-native doelen in een enkele inferentiepijplijn, overbrugt CrystalBoltz de kloof tussen voorspelling met hoge nauwkeurigheid en experimentele validatie.

De auteurs positioneren het werk als een proof-of-concept voor end-to-end modelbouw en verfijning met behulp van differentieerbare waarschijnlijkheden. Zij benadrukken dat het vermogen van de methode om grote conformationele veranderingen te hanteren terwijl het minutenlange runtimes behoudt, het concurrerend maakt met klassieke verfijningspijplijnen. Het raamwerk wordt gepresenteerd als generaliseerbaar naar andere experimentele modaliteiten (bijv. cryo-EM), mits een differentieerbaar voorwaarts model bestaat, hoewel het huidige werk uitsluitend gericht is op röntgenkristallografie. De auteurs erkennen beperkingen, zoals de afhankelijkheid van referentiestructuren voor uitlijning (via moleculaire vervanging) en de huidige beperking tot enkelketenproteïnen, en wijzen deze aan als natuurlijke richtingen voor toekomstige engineering en algoritmische verbeteringen.