Bayesian Learning of Distance Metrics Beyond RMSD for Biomolecule Alignment, Clustering, and Domain Identification

Technische Samenvatting: Bayesiaans leren van afstandmetrieken voorbij RMSD voor de uitlijning, clustering en domeidentificatie van biomoleculen

Probleemstelling
Root-mean-square deviation (RMSD) is de standaardmetriek voor het kwantificeren van structurele gelijkenis in moleculaire dynamica (MD)-simulaties. Conventionele RMSD wijst echter een gelijke weging toe aan alle atomen in een vooraf geselecteerde set (bijv. C$\alpha$-atomen), ongeacht hun mobiliteit. Deze uniforme weging zorgt ervoor dat flexibele lussen, ongeordende termini en mobiele linkers de globale metriek domineren, wat de conformationele toestanden van de rigide functionele kern vaak maskeert. Hoewel er oplossingen bestaan—zoals handmatige atoomselectie of iteratieve uitsluiting van uitschieters—zijn deze afhankelijk van de gebruiker, moeilijk te generaliseren en compromitteren ze de reproduceerbaarheid in geautomatiseerde simulatiecampagnes. Bestaande ensemble-gebaseerde methoden die trajectspecifieke dynamica vastleggen, behandelen de berekening van gewichten en de coördinaten-superpositie vaak als ontkoppelde, sequentiële operaties, wat vragen oproept over de wiskundige zelfconsistentie tussen de gewichten en de resulterende gemiddelde structuur.

Methodologie
De auteurs introduceren Bayes-optimale RMSD (BRMSD), een raamwerk dat structurele uitlijning en atomaire gewichtoptimalisatie verenigt in één enkel vrijheidsenergie-functional afgeleid van een Bayesiaanse posterieur.

• Bayesiaanse formulering: De methode veronderstelt een priorverdeling voor atomaire gewichten en een likelihoodfunctie gebaseerd op de gewogen gemiddelde kwadratische afwijking (MSD) tussen structuren en een referentie. De effectieve vrije energie $G$ die geminimaliseerd moet worden, combineert de geaggregeerde MSD met een Kullback–Leibler (KL) divergentieterm die afwijkingen van een uniforme prior-gewichtverdeling bestraft.
  $$G = \sum_i \text{MSD}(x_i, s; w) + M\sigma^2 \sum_\alpha w_\alpha \ln \frac{w_\alpha}{W_\alpha}$$
  Hier is $s$ de referentiestructuur, $w$ de vector van atoomgewichten, en $\sigma$ een positie-fluctuatieparameter (in Å). De parameter $\sigma$ regelt de afweging: een grote $\sigma$ herstelt klassieke RMSD (uniforme gewichten), terwijl een kleine $\sigma$ de gewichten concentreert op de meest rigide atomen.
• Optimalisatie: De minimalisatie van $G$ levert een fixed-point iteratie op waarbij gewichten worden bijgewerkt op basis van de per-atoom gemiddelde kwadratische fluctuatie (MSF) ten opzichte van de huidige gemiddelde structuur. Atomen met fluctuaties die $\sigma^2$ overschrijden, worden exponentieel onderdrukt, terwijl rigide atomen bijna uniforme gewichten behouden.
• Modulaire extensies: De kernfunctional wordt aangepast voor vijf verschillende analysemodules:
  1. Structurele uitlijning: Vindt een globale gemiddelde structuur en optimale gewichten.
  2. Gerichte uitlijning: Introduceert een concentratiebestraf om gewichten te sturen naar een door de gebruiker gespecificeerd domein $D$, terwijl de rest van de structuur nog steeds wordt meegerekend.
  3. Trajectsmoothing: Vervangt het globale gemiddelde door een lokaal, venstergestuurd gemiddelde om hoogfrequente thermische ruis te onderdrukken terwijl trage conformationele dynamica behouden blijft.
  4. Conformationele clustering: Breidt het raamwerk uit naar soft K-means clustering, waarbij elk cluster zijn eigen centrum en specifieke atoomgewichtvector heeft, waardoor de metriek zich aanpast aan de interne rigiditeit van elke toestand.
  5. Rigide domeidentificatie: Partitioneert atomen in domeinen via sequentiële peeling, waarbij rigide substructuren worden geïdentificeerd in volgorde van afnemende globale rigiditeit.

Belangrijkste resultaten
Het BRMSD-raamwerk werd getest op twee systemen: het SND3 translocon-geassocieerde eiwit (SND3) en adenylaatkinase (ADK).

• SND3 (Uitlijning & Smoothing):
  • Uitlijning: Bij een optimale $\sigma$ van 0,43 Å identificeerde BRMSD automatisch de rigide transmembrane (TM) groef als de dominante structurele kern, waarbij de gewichten voor mobiele cytosolische "claws" werden onderdrukt. De resulterende BRMSD (0,50 ± 0,08 Å) was ongeveer drie keer kleiner dan de standaard RMSD (1,64 ± 0,25 Å).
  • Gerichte uitlijning: Door de optimalisatie te sturen naar de TMD-1 helix (die minder rigide is dan de kern), herstelde de methode de interne dynamica hiervan, wat de gemiddelde RMSF met 24% verminderde vergeleken met globale uitlijning.
  • Smoothing: Het toepassen van een 4,0 ns driehoekig venster verminderde de variantie van het traject met ~73%, terwijl trage collectieve bewegingen behouden bleven.
• ADK (Clustering & Domeidentificatie):
  • Clustering: Soft K-means clustering slaagde erin de open en gesloten conformationele toestanden van ADK te scheiden. De clustercentra kwamen overeen met bekende ordeparameters (NMPbind–LID en LID–CORE afstanden). Cruciaal is dat de cluster-specifieke gewichten de metriek in staat stelden zich te richten op de mobiele domeinen die de toestanden onderscheiden, wat een duidelijkere scheiding bood dan geometrische ordeparameters alleen.
  • Domeidentificatie: Sequentiële peeling slaagde erin de drie bekende rigide domeinen (CORE, LID, NMPbind) te herstellen in volgorde van afnemende rigiditeit, met Jaccard-indices van respectievelijk 0,94, 0,99 en 1,00. Gelijktijdige optimalisatie van meerdere domeinen faalde, omdat alle gewichtsvectoren inklapten naar de globaal meest rigide regio (CORE), wat de noodzaak van de sequentiële peeling-aanpak benadrukt.

Betekenis en Claims
Het artikel claimt dat BRMSD een verenigd, reproduceerbaar en geautomatiseerd raamwerk biedt voor structurele analyse-taken die traditioneel handmatige interventie vereisen. Door gewichten af te leiden uit een Bayesiaanse posterieur, elimineert de methode de noodzaak voor ad hoc atoomselectieregels.

• Automatisering: Het raamwerk automatiseert de toewijzing van atoomgewichten op basis van per-atoom MSF, waardoor de automatische identificatie van rigide kernen en flexibele regio's mogelijk is zonder gebruikersbias.
• Flexibiliteit: Een enkele parameter ($\sigma$) regelt de overgang van standaard RMSD naar een focus op rigide substructuren, aanpasbaar aan verschillende modules (uitlijning, clustering, domeendetectie).
• Robuustheid: De geconvergeerde gewichten zijn aangetoond invariant te zijn voor het aantal frames (zodra MSF-schattingen convergeren) en de specifieke subset van geselecteerde atomen, mits de rigide kern aanwezig blijft.

Erkende Beperkingen
De auteurs merken bescheiden enkele huidige beperkingen op:

1. De optimale $\sigma$ is taak- en systeemafhankelijk en mist een universele regel voor selectie.
2. Parameterselectie voor clustering en domeinidentificatie leunt momenteel op kwaliteitsindices (bijv. Calinski–Harabasz, Jaccard) die grondwaarheid-labels vereisen; een volledig label-vrije selector blijft een openstaand probleem.
3. De huidige implementatie is CPU-only.
4. Een voorgestelde uitbreiding naar een Mahalanobis-achtige metriek voor anisotrope fluctuaties is afgeleid maar nog niet geïmplementeerd.

De auteurs concluderen dat BRMSD dient als fundament voor toekomstige ontwikkelingen, waaronder GPU-acceleratie, label-vrije parameterselectie en het gebruik van geconvergeerde gewichten als masks voor time-lagged independent component analysis (TICA) of als trainingsdoelen voor neurale netwerken.