Technische Samenvatting: SurfDesign: Effectieve Proteïne-ontwerp op Moleculaire Oppervlakken

Probleemstelling

Proteïne-ontwerp is grotendeels verschoven van op fysica gebaseerde optimalisatie naar datagestuurde generatieve modellering, waarbij het dominante paradigma de op structuur gebaseerde inverse vouwing (inverse folding) is. In dit paradigma wordt een doel-backbone structuur gespecificeerd, waarna een compatibel aminozuursequentie wordt gegenereerd. De auteurs stellen echter dat backbone-geometrie alleen onvoldoende is voor veel praktische ontwerptaken, zoals enzym-engineering, receptor-ligand binding en de novo interactie-ontwerp. Deze taken worden niet alleen beheerst door globale vouwing, maar ook door gelokaliseerde oppervlaktevorm en fysisch-chemische complementariteit. Eiwitten met bijna identieke vouwingen kunnen drastisch verschillende functies vertonen als hun oppervlakte-ladingverdeling, kromming of hydrofobe patronen verschillen.

Bestaande oppervlakte-geconditioneerde methoden behandelen moleculaire oppervlakken vaak als ongeordende verzamelingen punten of vaste meshes, waardoor ze de intrinsieke continuïteit, lokale raaklijnstructuur en directionele consistentie van deze oppervlakken niet kunnen vangen. Bovendien zijn moleculaire oppervlakken continue gladde manifolds, een eigenschap die vaak genegeerd wordt door discrete puntenwolk-benaderingen. Daarnaast maakt de schaarste aan gekoppelde oppervlakte-sequentie data het trainen van data-hongerige modellen moeilijk, wat strategieën vereist die evolutionaire priors benutten zonder volledige hertraining te vereisen.

Methodologie

De auteurs stellen SurfDesign voor, een framework dat moleculaire oppervlakken expliciet modelleert als geometrische manifolds en deze integreert met vooraf getrainde proteïne taalmodellen (PLMs). De methode bestaat uit drie primaire componenten:

1. Oppervlaktegeneratie en Preprocessing

Moleculaire oppervlakken worden gegenereerd met tools zoals PyMol of MSMS om Solvent Accessibility Surfaces (SAS) of Solvent Excluded Surfaces (SES) te verkrijgen. Deze worden behandeld als georiënteerde puntenwolken $Q = \{q_i\}$, waarbij elk punt attributen heeft: 3D-coördinaten ($\mathbf{x}_i$), eenheidsnormaalvectoren ($\mathbf{n}_i$) en fysisch-chemische eigenschappen ($\mathbf{h}_i$). Om ruis in ruwe puntenwolken aan te pakken, passen de auteurs Gaussische kernel-smoothing toe op de coördinaten. Cruciaal is dat de oppervlaktegeneratie-pipeline geen residu-identiteiten, multiple sequence alignments (MSA) of functionele annotaties gebruikt, wat ervoor zorgt dat het model vertrouwt op geometrische en fysisch-chemische beperkingen in plaats van bevoorrechte sequentie-informatie.

2. Surface Geometric Network (SEMP)

De kerninnovatie is de Surface-based Equivariant Message Passing (SEMP) encoder, die het oppervlak behandelt als een $C^\infty$ differentieerbare manifold.

• Manifold Awareness: De encoder maakt gebruik van het feit dat elk punt op een manifold lokaal Euclidisch is. Het maakt gebruik van eenheidsnormaalvectoren om de raakruimte (tangent space) te benaderen en berekent pseudo-krommingvectoren ($\psi$) via eigendecompositie van de lokale covariantie-matrix. Deze kromming-beschrijvers zijn rotatie-invariant.
• Directionaliteit: Het model legt de directionele relaties tussen naburige punten vast met behulp van drie specifieke hoeken: de hoeken tussen normalen en de verbindende lijn ($\phi_{n_i i j}, \phi_{n_j j i}$) en de dihedrale hoek tussen de twee halfvlakken ($\theta_{n_i i j n_j}$).
• Equivariante Codering: De encoder gebruikt 3D sferische Fourier-Bessel (SBF) bases om oriëntatiekennis te integreren. Het berekent interactie-features op basis van relatieve afstanden en invariante hoeken, wat zorgt voor roto-translatie equivariantie. Het message-passing mechanisme werkt node-features en coördinaten bij en behoudt SE(3) equivariantie door directionele informatie uitsluitend via relatieve verplaatsingsvectoren te propageren.

3. Reprogramming Protein Language Models (PEFT)

Om datatekort aan te pakken en evolutionaire kennis te benutten, integreert SurfDesign de SEMP-encoder met een PLM-decoder via een hybride Parameter-Efficient Fine-Tuning (PEFT) strategie.

• In plaats van volledige hertraining gebruikt de methode een structurele adapter gecombineerd met LoRA (Low-Rank Adaptation) om oppervlakte-afgeleide structurele informatie in de PLM te injecteren.
• Het trainingsdoel is Conditional Masked Language Modeling (CMLM). Gegeven een oppervlak $Q$ en een gedeeltelijk gemaskeerde sequentie, voorspelt het model de gemaskeerde residuen, geconditioneerd op de geobserveerde residuen en de oppervlaktegeometrie.
• De auteurs verduidelijken dat er in functioneel ontwerp geen unieke grondwaarheid-sequentie is voor een gegeven oppervlak; daarom worden inverse folding benchmarks behandeld als diagnostische evaluaties van structurele compatibiliteit in plaats van supervised label-recovery taken.

Belangrijkste Bijdragen

1. Manifold-Aware Surface Representatie: SurfDesign is de eerste die moleculaire oppervlakken expliciet modelleert als continue geometrische manifolds, waarbij lokale raaklijnstructuren, kromming en directionele consistentie worden gevangen, waarmee verder wordt gegaan dan discrete puntenwolken of meshes.
2. Surface-Conditioned Equivariant Encoder: De introductie van SEMP, die oppervlaktenormalen, kromming en directionele hoeken gebruikt binnen een equivariant message-passing framework om de lokale manifold-structuur te vangen.
3. Hybride PEFT Strategie: Een methode om oppervlaktegeometrie efficiënt in PLMs te integreren, waardoor het model kan profiteren van grootschalige evolutionaire priors zonder de computationele kosten van volledige fine-tuning.
4. Paradigmaverschuiving: Dit werk verheft moleculaire oppervlakken van hulp-features naar eersteklas conditioning-signalen, en stelt een verschuiving voor van fold-centrisch naar interactie-centrisch proteïne-ontwerp.

Experimentele Resultaten

De auteurs hebben SurfDesign geëvalueerd op drie hoofdfronten:

1. Protein Binder Design

Geëvalueerd op een benchmark van zes doelreceptor-systemen (bijv. InsulinR, PDGFR, TGFb).

• Metriek: AlphaFold2 voorspelde uitgelijnde fout (AF2 pAE_interaction). Lagere scores duiden op een hogere interface-betrouwbaarheid.
• Resultaten: SurfDesign behaalde de laagste gemiddelde AF2 pAE_interaction (15.85), waarmee het eerdere oppervlakte-geconditioneerde methoden (SurfPro: 16.95) en backbone-alleen methoden (ProteinMPNN: 23.45) overtrof.
• Succespercentage: SurfDesign behaalde het hoogste algemene succespercentage (30.14%), gedefinieerd als het genereren van binders met een lagere pAE dan de natuurlijke positieve binder.

2. Enzyme Design

Geëvalueerd op vijf enzym-substraat systemen met behulp van de Enzyme-Substrate Potential (ESP) score.

• Resultaten: SurfDesign behaalde de hoogste gemiddelde ESP-score (0.9058) en het hoogste succespercentage (47.30%), waarmee het zowel oppervlakte-gebaseerde (SurfPro) als niet-oppervlakte baselines (LM-DESIGN, PiFold) overtrof.
• Zero-Shot Prestaties: Het model behield een sterke prestatie in zero-shot settings (34.36% succes), wat wijst op robuustheid in het vangen van gelokaliseerde pocket-geometrie.

3. Inverse Folding (Structurele Compatibiliteit)

Geëvalueerd op CATH 4.2, CATH 4.3 en onafhankelijke testsets (TS50, TS500).

• Metrieken: Perplexity en Amino Acid Recovery (AAR).
• Resultaten: SurfDesign vestigde nieuwe state-of-the-art records, met een AAR van 74.13% op CATH 4.2 (een verbetering van 18.28% t.o.v. VFN-IF-ESM) en 82.16% op TS50.
• Ablatie: Het verwijderen van de PLM-component verminderde de AAR tot 65.35%, en het verwijderen van de SEMP-encoder (directionaliteit/kromming) verminderde de AAR tot 66.27%, wat de bijdrage van beide componenten bevestigt.
• Oppervlakte Reconstructie: Het model vertoonde een hoge getrouwheid bij het reconstrueren van moleculaire oppervlakken (IoU 0.98, Normal Consistency 0.6241).

Betekenis en Claims

Het artikel claimt dat SurfDesign aantoont dat het expliciet modelleren van moleculaire oppervlakken als geometrische manifolds een krachtige en complementaire benadering is om verder te gaan dan backbone-centrisch ontwerp. Door oppervlakken te behandelen als eersteklas conditioning-signalen, stelt het framework de generatie van functionele proteïnen met een grotere functionele getrouwheid mogelijk.

De auteurs benadrukken dat hun succes in inverse folding benchmarks dient als een diagnostisch instrument voor structurele compatibiliteit, wat valideert dat de gegenereerde sequenties fysiek consistent zijn met de gespecificeerde geometrie. De primaire bijdrage ligt echter in het functionele ontwerp (binders en enzymen), waar de oppervlakte-geconditioneerde benadering bestaande methoden consequent overtreft. Het werk suggereert een modulaire toekomst waarin oppervlaktegeometrie, sequentie-priors en functionele doelstellingen gecombineerd kunnen worden om specifieke proteïnecomplexen en enzymen met hoge precisie te ontwerpen.

Het artikel concludeert dat hoewel inverse folding een nuttige stresstest is, de werkelijke waarde van SurfDesign ligt in het vermogen om proteïnen te genereren die voldoen aan complexe fysisch-chemische beperkingen gedefinieerd door moleculaire oppervlakken, een capaciteit waar alleen op backbone gebaseerde benaderingen moeite mee hebben.