DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

Stel je het menselijk lichaam voor als een bruisende stad gemaakt van piepkleine, onzichtbare LEGO-steentjes die eiwitten worden genoemd. Sommige van deze steentjes werken alleen, maar de meeste zijn als gespecialiseerde teams die aan elkaar moeten klikken om machines te bouwen, signalen te sturen of indringers te bestrijden. Decennialang waren wetenschappers erg goed in het maken van foto's van deze teams wanneer ze al gebouwd en vergrendeld zijn. Het is alsof je een foto hebt van een voltooid LEGO-kasteel, maar geen idee hebt hoe de stukjes door de lucht vlogen, tegen elkaar botsten en op hun plek klikten. Dit is een groot probleem, want het "hoe" is net zo belangrijk als het "wat". Als je een nieuw medicijn wilt ontwerpen om een virus te stoppen, moet je weten hoe de eiwitten van het virus hun doelwitten vinden, en niet alleen hoe ze eruitzien wanneer ze aan elkaar vastzitten.

Onlangs zijn computers erg goed geworden in het raden van hoe deze proteïne-teams eruitzien met behulp van een type kunstmatige intelligentie genaamd "diffusiemodellen". Denk aan deze modellen als een magische kunstenaar die een wazige, rommelige schets kan nemen en er een scherpe, perfecte afbeelding van kan maken. Maar hier zit de adder onder het gras: deze kunstenaars zijn alleen getraind op statische momentopnames of losse steentjes die op zichzelf bewegen. Ze weten niet hoe ze een film moeten schilderen van twee aparte teams die naar elkaar toe rennen, ronddansen en uiteindelijk een knuffel geven om één complex machine te worden. Zonder deze "film" kan de AI niet voorspellen hoe nieuwe, onbekende teams zullen vormen, wat een enorme kloof laat in ons vermogen om nieuwe medicijnen te ontwerpen of het leven op zijn meest fundamentele niveau te begrijpen.

Maak kennis met DynaPPI, een enorme nieuwe dataset die ontworpen is om AI te leren hoe ze deze eiwitdansen kunnen bekijken en voorspellen. De onderzoekers achter dit project realiseerden zich dat om de blinde vlek van de AI te verhelpen, ze een bibliotheek van "films" moesten creëren die precies laten zien hoe eiwitketens van ver uit elkaar naar strak aan elkaar gebonden gaan. In plaats van alleen naar de uiteindelijke handdruk te kijken, simuleerden ze de hele reis. Ze namen bekende eiwitteams, haalden ze uit elkaar en gebruikten vervolgens krachtige computersimulaties om te kijken hoe ze over tijd dreven, botsten en weer samenkwamen.

Het team creëerde een dataset met ongeveer 10.000 van deze eiwitcomplexen, die verschillende soorten partnerschappen beslaat zoals eiwit-eiwit, eiwit-ligand (een eiwit dat een klein medicijnmolecuul ontmoet) en eiwit-nucleïnezuur (een eiwit dat DNA of RNA ontmoet). Om de simulaties realistisch te maken, hebben ze niet alleen geraden; ze hebben duizenden gedetailleerde computerexperimenten uitgevoerd. Elk experiment volgde de beweging van atomen over tijdsperioden variërend van 10 nanoseconden tot 1 milliseconde. Hoewel dat kort klinkt, is het in de wereld van atomen een eeuwigheid—genoeg tijd om te zien hoe ze wiebelen, draaien en elkaar vinden. De dataset bevat meer dan 100 miljard frames aan data, waarbij elke minuscule verschuiving in positie, snelheid en energie wordt vastgelegd.

Wat DynaPPI bijzonder maakt, is dat het de AI expliciet het proces van binding leert. In het verleden waren AI-modellen als studenten die alleen de antwoorden van het eindexamen bestudeerden. Nu, met DynaPPI, krijgen ze de kans om stap voor stap de huiswerkopdrachten te bestuderen. De dataset laat de AI zien hoe eiwitten zich gedragen als ze ver uit elkaar zijn, hoe ze van vorm veranderen wanneer ze dichtbij komen, en hoe het "midden" eruitziet voordat ze op slot gaan. De onderzoekers simuleerden deze gebeurtenissen door bekende structuren te nemen, de ketens te scheiden en ze vervolgens los te laten in een virtuele oceaan van water en zout om te zien of ze elkaar weer zouden vinden. Ze voerden deze simulaties meerdere keren uit (replica's) om de willekeur van de natuur vast te leggen, net zoals je veel keren met de dobbelstenen gooit om alle mogelijke uitkomsten te zien.

Het artikel suggereert dat door deze dynamische data in diffusiemodellen te voeden, AI niet alleen de uiteindelijke vorm van een eiwitcomplex kan voorspellen, maar het hele pad dat het aflegt om daar te komen. Dit zou een gamechanger kunnen zijn voor medicijnontwerp. Stel je voor dat je kunt simuleren hoe een nieuw medicijnmolecuul een ziekteverwekkend eiwit opspoort, waarbij je tijdelijke holtes ziet die alleen openstaan tijdens de dans, in plaats van alleen naar de gesloten deur te kijken. De auteurs stellen dat dit wetenschappers kan helpen bij het ontwerpen van betere medicijnen, het ontwikkelen van nieuwe biologische machines en zelfs het voorbereiden op toekomstige pandemieën door te begrijpen hoe virussen met menselijke cellen kunnen interageren.

Het is echter belangrijk om op te merken dat dit een voorstel en de constructie van een bron is, en geen voltooid product dat al elk mysterie heeft opgelost. Het artikel schetst een plan om deze dataset op te bouwen, waarbij beschreven wordt hoe ze de eiwitten zullen selecteren, de data zullen opschonen en de simulaties zullen uitvoeren. Ze hebben specifieke doelen gesteld, zoals het waarborgen dat de data een grote verscheidenheid aan eiwitten beslaat en dat de simulaties nauwkeurig genoeg zijn om overeen te komen met echte experimenten. Ze erkennen ook dat hoewel we deze processen kunnen simuleren, de echte test zal komen wanneer andere wetenschappers deze data gebruiken om hun eigen AI-modellen te trainen en te zien of die modellen succesvol structuren kunnen voorspellen die nog niet eerder zijn gezien. De dataset is ontworpen om open en toegankelijk te zijn, zodat de wereldwijde wetenschappelijke gemeenschap op dit fundament kan voortbouwen en de grenzen van wat AI kan doen in de biologie kan verleggen.