Simpatico: accurate and ultra-fast virtual drug screening with atomic embeddings

Simpatico is een open-source, ultrasnel hulpmiddel voor virtuele screening dat atoomniveau-embeddings en nearest-neighbor-retrieval benut om state-of-the-art-accuraatheid te bereiken bij het voorspellen van eiwit-ligandbinding, waarbij het zowel in snelheid als in precisie aanzienlijk beter presteert dan traditionele docking en bestaande op embedding gebaseerde methoden, zonder dat 3D-pose-schatting vereist is.

De kern

Stel je voor dat je een detective bent die probeert de perfecte sleutel te vinden om een specifieke, complexe deur te openen (een ziekteverwekkend eiwit). In de wereld van geneesmiddelenontdekking is deze "sleutel" een klein molecuul, en er zijn miljarden potentiële sleutels in een gigantisch magazijn.

De Oude Weg: De Langzame Slotenmaker
Traditioneel gebruikten wetenschappers een methode genaamd "moleculaire docking". Dit is als het inhuren van een slotenmaker om elke enkele sleutel één voor één tegen de deur te proberen. Ze testen fysiek de pasvorm, meten hoe goed hij draait en noteren het resultaat. Hoewel dit nauwkeurig is, is het ontzettend traag. Als je een miljard sleutels hebt, duurt het eeuwen om ze één voor één te proberen. Het is te traag voor moderne geneesmiddelenontdekking.

De Middelweg: De "Eén-Samenvatting"-Benadering
Onlangs probeerde een nieuwe methode genaamd "embedding-retrieval" (zoals een tool genaamd DrugCLIP) de zaken te versnellen. In plaats van sleutels één voor één te testen, maakte het een "samenvattende ID-kaart" voor elke sleutel en elke deur. Het leerde sleutels en deuren die bij elkaar horen te groeperen in een gigantisch digitaal archiefkastje. Om een match te vinden, zocht het gewoon naar de dichtstbijzijnde ID-kaarten.

Echter, deze methode had een gebrek: het plakte de hele deur en de hele sleutel in slechts één enkele ID-kaart. Het was alsof je een complex, meerkamerhuis beschreef met één enkele zin. Als een sleutel alleen voordeur paste maar niet achterdeur, kon de samenvattende ID-kaart die nuance niet vastleggen. Het verloor belangrijke details over waar de delen precies pasten.

De Nieuwe Weg: Simpatico (De Atomische Matchmaker)
Het artikel introduceert een nieuwe tool genaamd Simpatico. In plaats van één samenvattende ID-kaart te maken voor de hele sleutel of de hele deur, maakt Simpatico een unieke ID-kaart voor elk afzonderlijk atoom (de kleine bouwstenen) binnen de sleutel en de deur.

Denk er zo over na:

• De Deur: In plaats van één ID-kaart voor het hele huis, maakt Simpatico een specifieke ID-kaart voor de voordeurkruk, het achterraam en de zijpoort.
• De Sleutel: Het doet hetzelfde voor de sleutel, door ID-kaarten te maken voor elke kleine bult en groef op het oppervlak.

Hoe Het Werkt
Simpatico is getraind om te weten dat als een specifieke bult op een sleutel meestal een specifieke groef op een deur raakt, hun ID-kaarten "beste vrienden" moeten zijn in het digitale archiefkastje.

Wanneer wetenschappers een geneesmiddel willen vinden:

1. Ze nemen de "deur" (het eiwit) en kijken naar de ID-kaarten voor zijn specifieke delen (de pocket waar het geneesmiddel past).
2. Ze vragen het archiefkastje: "Welke sleutels in ons magazijn met miljarden sleutels hebben delen die beste vrienden zijn met deze specifieke deurdelen?"
3. Het systeem vindt direct de bijpassende atomen.
4. Een eenvoudige wiskundige stap telt deze matches op om de hele sleutel een score te geven.

Waarom Het Een Game-Changer Is

• Snelheid: Omdat het zoekt naar matching delen in plaats van hele sleutels te testen, is het ontzettend snel – vele malen sneller dan de oude methoden. Het kan miljarden opties scannen in de tijd die de oude methoden nodig hebben om er een paar duizend te controleren.
• Nauwkeurigheid: Hoewel het is getraind op een relatief kleine dataset (ongeveer 15.000 voorbeelden) en niet de 3D-vorm van de sleutel van tevoren hoefde te raden, is het nauwkeuriger in het vinden van de juiste matches dan de oude "samenvattende" methoden en zelfs beter dan complexe op natuurkunde gebaseerde simulaties.
• Open Source: De makers hebben de tool, de code en de data gratis beschikbaar gesteld voor iedereen om te gebruiken.

Kortom, Simpatico raadt niet alleen of een sleutel in een deur past; het controleert of de kleine bulten op de sleutel overeenkomen met de kleine groeven op de deur, en doet dit zo snel en nauwkeurig dat het de huidige beste methoden in het vakgebied verslaat.

Technische samenvatting

Technische Samenvatting: Simpatico

Probleemstelling
Virtuele screening is een cruciale vroege stap in de geneesmiddelenontdekking, waarbij in-silico uitgebreide bibliotheken van kleine moleculen worden beoordeeld om die te identificeren die binden aan een therapeutisch eiwitdoelwit. De dominante aanpak, moleculaire docking, vereist een aparte, rekenkundig kostbare berekening voor elk eiwit-molecuulpaar. Dit maakt docking onbetaalbaar traag voor moderne verbindingenbibliotheken die miljarden verbindingen bevatten. Hoewel recente embedding-ophalingsparadigma's (bijvoorbeeld DrugCLIP) hebben geprobeerd deze bottleneck aan te pakken door eiwitten en liganden af te beelden in een gedeelde embeddingruimte voor nabijheidsopdracht, lijden ze onder een aanzienlijke beperking: ze vouwen elk volledig eiwit en elk volledig ligand samen tot één enkele embeddingvector. Deze "informatiebottleneck" beperkt het vermogen van het model om partiële of alternatieve bindingscompatibiliteiten weer te geven, omdat het niet kan onderscheiden welke specifieke delen van een molecuul verantwoordelijk zijn voor de binding.

Methodologie
De auteurs presenteren Simpatico, een embedding-ophalingsinstrument voor virtuele screening dat is ontworpen om de beperkingen van representaties met één vector te overwinnen. In plaats van één embedding per molecuul te genereren, produceert Simpatico een unieke embedding voor elk atoom binnen een eiwitpocket of een ligand.

• Trainingsdoel: Het model maakt gebruik van een CLIP-stijl contrastief doel. Het traint atomaire embeddingen zodat eiwit-ligand-atoomparen waarvan bekend is dat ze interageren, dicht bij elkaar worden gepositioneerd in de embeddingruimte.
• Screeningsproces: Om een eiwitdoelwit te screenen, gebruikt het systeem elke eiwit-atoomembedding als query tegen een vectordatabase die vooraf berekende atomaire embeddingen van kleine moleculen bevat. Dit geeft de dichtstbijzijnde overeenkomstige atomen uit de bibliotheek terug.
• Scoretoekenning: Een eenvoudige aggregatiestep wijst een definitieve bindingscore toe aan elke kandidaatmolecuul op basis van de opgehaalde atomen die het bevat.
• Indexeringsefficiëntie: In tegenstelling tot eerdere ophaalmethoden die één vector per ligand indexeren, indexeert Simpatico één vector per zwaar atoom. Bijgevolg groeit de querytijd sublineair met de grootte van de bibliotheek, wat schaalbaarheid mogelijk maakt tot schalen van miljarden verbindingen.

Belangrijkste Bijdragen

• Atomaire Embeddingen: De verschuiving van globale molecuulembeddingen naar per-atoom embeddingen, waardoor de representatie van partiële bindingscompatibiliteit mogelijk wordt.
• Efficiënte Ophaalarchitectuur: Een systeem dat vectordatabases benut voor atomaire queries, waarbij een sublineaire groei van de querytijd wordt bereikt.
• Data-efficiëntie: Het model bereikt hoge prestaties getraind op slechts ongeveer 15.000 eiwit-ligandcomplexen uit de PDBBind-dataset, zonder dat vooraf trainen of schatting van 3D-ligandposities nodig is.

Resultaten
Op uitdagende decoy-benchmarks bereikt Simpatico state-of-the-art voorspellende nauwkeurigheid. Specifiek:

• Het presteert beter dan recente dense-retrieval-methoden.
• Het overtreft de nauwkeurigheid van op fysica gebaseerde docking en op deep learning verrijkte docking-methoden.
• Het is concurrerend met op diffusie gebaseerde docking-methoden.
• Qua snelheid werkt het orde van grootte sneller dan op fysica gebaseerde docking, op deep learning verrijkte docking en op diffusie gebaseerde docking.

Betekenis
Het artikel positioneert Simpatico als een oplossing voor de afweging tussen schaalbaarheid en nauwkeurigheid in virtuele screening. Door weg te bewegen van de informatiebottleneck van representaties met één vector, maakt het snelle screening mogelijk van bibliotheken met miljarden verbindingen met een nauwkeurigheid die concurreert met of zelfs superieur is aan meer rekenkundig intensieve docking-methoden. Het instrument wordt vrijgegeven als open-source software, met code, gewichten en data beschikbaar voor de gemeenschap.