💻 bio-informatica

Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

Dit artikel introduceert een systematisch driefasig benchmarkframework dat eiwit- en chemische taalmodellen benut om eiwit-ligandbindingsplaatsen te voorspellen vanuit sequenties en SMILES, waarbij wordt aangetoond dat hoewel ligandconditiering de prestaties op bekende liganden verbetert, een zero-shot benadering met behulp van voorgetrainde chemische embeddings effectieve voorspelling op voorheen onbekende liganden mogelijk maakt.

Oorspronkelijke auteurs: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Gepubliceerd 2026-11-07 (v2)

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

In elke levende cel fungeren eiwitten als de moleculaire machines die het leven draaiende houden. Ze vouwen zich in complexe vormen om taken uit te voeren, zoals het kopiëren van genetische instructies of het bestrijden van infecties. Vaak moeten deze machines zich vastgrijpen aan kleinere chemische moleculen, bekend als liganden, om te kunnen functioneren. Wanneer een eiwit een specifiek molecuul grijpt, doet het dit op een precieze locatie op zijn oppervlak, vergelijkbaar met een sleutel die in een specifiek slot past. Weten waar dit slot precies op het eiwit is gelokaliseerd, is cruciaal voor wetenschappers. Als onderzoekers deze plekken kunnen aanwijzen, kunnen ze begrijpen hoe ziekten werken en nieuwe medicijnen ontwerpen om deze interacties ofwel te blokkeren ofwel te activeren. Decennialang vertrouwde het vinden van deze plekken op dure en langzame laboratoriumexperimenten die foto's van de moleculen maken. Nu wenden wetenschappers zich tot computers om deze locaties sneller te voorspellen, maar een grote hindernis blijft bestaan: computers worstelen wanneer ze een nieuw type chemisch molecuul tegenkomen dat ze nog nooit eerder hebben gezien.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om computers te leren deze bindingsplaatsen te vinden, zelfs wanneer het chemische molecuul volkomen onbekend is. Ze bouwden een systeem dat leert van de enorme bibliotheek van bekende eiwitvormen en de chemische formules van moleculen om beredeneerde gissingen te doen over waar ze zullen verbinden. Het team testte hun aanpak in drie verschillende scenario's om te zien hoe goed het werkte. Eerst keken ze naar veelvoorkomende chemicaliën die de computer vele malen eerder had gezien. Ten tweede testten ze het op chemicaliën die slechts een paar keer in de trainingsdata voorkwamen. Ten slotte daagden ze het systeem uit met een zero-shot test, waarbij de computer bindingsplaatsen moest voorspellen voor duizenden chemicaliën die hij tijdens zijn training nooit eerder was tegengekomen. Deze laatste test is de moeilijkste, omdat het de realiteit van de buitenwereld nabootst waarin een wetenschapper een nieuwe medicijnkandidaat ontdekt en direct moet weten hoe deze interageert met een eiwit.

De onderzoekers begonnen met het trainen van een computermodel met behulp van een enorme database van eiwitsequenties en hun bekende bindingspartners. Ze creëerden eerst een basislijn-systeem dat leerde om bindingsplaatsen voor één specifiek chemisch molecuul tegelijk te voorspellen. Dit werkte goed voor de veelvoorkomende chemicaliën, maar vereiste een apart model voor elk type molecuul, wat inefficiënt is. Vervolgens verbeterden ze het systeem door het te leren om verschillende chemicaliën tegelijkertijd te herkennen, gebruikmakend van een speciale code voor elk van hen. Dit stelde een enkel model in staat om veel verschillende moleculen te verwerken, en het presteerde beter dan de eerste versie. Dit maakte echter nog steeds geen onderscheid bij een volledig nieuw chemisch molecuul, omdat de computer geen code voor dat molecuul had. Om dit op te lossen, introduceerde het team een derde fase. In plaats van een vooraf gemaakte code voor het chemische molecuul te gebruiken, voedden ze de computer de structurele formule van het chemische molecuul, geschreven als een tekstreeks genaamd een SMILES-string. Ze gebruikten een apart computerprogramma, getraind op miljoens chemische formules, om deze tekst om te zetten in een wiskundige representatie die het hoofdsysteem kon begrijpen. Dit stelde het model in staat om voorspellingen te doen voor chemicaliën die het nog nooit eerder had gezien.

Toen het team deze zero-shot capaciteit testte, waren de resultaten veelbelovend, maar ze onderstreepten ook de moeilijkheid van de taak. Voor de chemicaliën die de computer al eerder had gezien, bleef het systeem accuraat. Maar voor de onbekende chemicaliën daalde de nauwkeurigheid, wat te verwachten valt bij het werken met geheel nieuwe data. Het systeem identificeerde correct de bindingsplaatsen op ongeveer 31 procent van de relevante delen van het eiwit voor deze nieuwe moleculen, een aanzienlijke prestatie voor een eerste poging aan dit specifieke probleem. Om er zeker van te zijn dat de computer daadwerkelijk de chemische informatie gebruikte en niet alleen gokte op basis van de vorm van het eiwit, voerden de onderzoekers controlexperimenten uit. Ze voedden het systeem met het juiste eiwit, maar vervingen de chemische formule door onzinnige tekst of de verkeerde chemische stof. In die gevallen daalde de prestatie van de computer aanzienlijk over alle testgroepen heen. Dit bewees dat het model inderdaad aandacht besteedde aan de specifieke chemische stof die het kreeg, in plaats van te vertrouwen op een generieke gok.

De studie onderzocht ook hoe de grootte van de computermodellen hun prestaties beïnvloedde. Ze testten verschillende versies van het eiwit-lerende model, variërend van klein tot zeer groot. Over het algemeen presteerden de grotere modellen beter, wat suggereert dat het hebben van meer rekenkracht hels de computer helpt om de complexe patronen van eiwitvormen te begrijpen. Het vergroten van het chemisch-lerende model leidde echter niet altijd tot betere resultaten, wat aangeeft dat de eiwitkant van de vergelijking momenteel de meest kritieke factor is voor de nauwkeurigheid. De onderzoekers kwamen tot de conclusie dat, hoewel het systeem nog niet perfect is, het een betrouwbaar kader biedt voor het voorspellen van hoe eiwitten en nieuwe chemicaliën met elkaar kunnen interageren. Dit werk vestigt een nieuwe standaard voor het testen van deze voorspellingen, waarbij onderscheid wordt gemaakt tussen wat een computer kan met bekende data versus wat het kan bereiken met werkelijk nieuwe ontdekkingen. Door te bewijzen dat het systeem kan generaliseren naar ongeziene chemicaliën, hebben de onderzoekers een pad geopend voor snellere medicijnontwikkeling, waardoor wetenschappers nieuwe moleculen tegen eiwitten kunnen screenen zonder te hoeven wachten op trage, traditionele experimenten.

Technische Samenvatting: Zero-Shot Eiwit–Ligand Bindingsplaats Voorspelling vanaf Eiwitsequentie en SMILES

Probleemstelling
Nauwkeurige identificatie van eiwit–ligand bindingsplaatsen is cruciaal voor mechanistische biologie en medicijnontwikkeling. Bestaande computationele tools missen echter vaak veelzijdigheid, waardoor hun effectiviteit beperkt is tot specifieke ligandcategorieën, en de voorspellende prestaties variëren aanzienlijk tussen ligandfamilies afhankelijk van de beschikbaarheid van gegevens. Hoewel experimentele technieken zoals röntgencristallografie structurele gegevens bieden, zijn deze arbeidsintensief, wat computationele benaderingen voor hoogdoorvoer-voorspelling noodzakelijk maakt. Een belangrijke beperking in huidig onderzoek is het gebrek aan een systematische evaluatie met betrekking tot hoe de voorspellende prestaties veranderen over verschillende regimes van ligand-beschikbaarheid van gegevens: gegevensrijk (oververtegenwoordigd), gegevensarm (ondervertegenwoordigd) en gegevensafwezig (zero-shot). Bovendien vereist het onderscheiden van prestaties op oververtegenwoordigde liganden versus generalisatie naar ongeziene liganden een ligand-bewust evaluatiekader.

Methodologie
De auteurs presenteren een systematisch, ligand-bewust benchmark- en evaluatiekader gebruikmakend van een uit BioLiP2 afgeleide dataset. De dataset werd verwerkt met behulp van CD-HIT clustering bij 40% sequentie-identiteit binnen ligand-specifieke receptordatasets om redundantie te verminderen. De evaluatie is gestructureerd over drie afzonderlijke regimes:

Oververtegenwoordigd: Liganden met $\ge$ 100 monsters.
Ondervertegenwoordigd: Liganden met 20–99 monsters.
Zero-shot: Liganden met 1–19 monsters, volledig uit de trainings- en validatieset gehouden.

Om de prestaties over deze regimes te beoordelen, ontwikkelden de auteurs een progressieve driefasige sequentie-gebaseerde modelleringssuite:

Fase 1 (Ligand-Specifieke Baseline): Een baseline architectuur waarbij een apart model wordt getraind voor elk ligandtype met behulp van een vooraf getraind Protein Language Model (PLM, specifiek ESM-2) om residu-niveau embeddings te genereren. Deze embeddings worden gevoed aan een lineaire classifier. Er wordt geen ligand-specifieke input (SMILES of ID) aan het model verstrekt tijdens inferentie; het model vertrouwt uitsluitend op de eiwitsequentie en de specifieke trainingsdata.
Fase 2 (Multi-Ligand met Geleerde Embeddings): Een enkel model wordt getraind om bindingsplaatsen voor meerdere vooraf gedefinieerde ligandtypes te voorspellen. Eiwitsequenties worden gecodeerd door hetzelfde PLM. De ligandidentiteit wordt verstrekt als een index die een leerbare embedding-tabel opvraagt, die wordt gefuseerd met eiwitkenmerken via een bidirectionele transformer-decoder met cross-attention. Dit stelt het model in staat om te leren van een gepoolde dataset, maar kan niet generaliseren naar ongeziene liganden.
Fase 3 (Zero-Shot Generalisatie): De vaste ligand-embedding tabel wordt vervangen door een vooraf getraind Chemical Language Model (CLM, specifiek MolFormer) dat opereert op SMILES-strings. De CLM genereert ligand-representaties die worden geprojecteerd om overeen te komen met de PLM-kenmerkdimensie en worden gefuseerd via dezelfde decoder. Deze architectuur maakt voorspelling mogelijk voor ligandidentiteiten die afwezig zijn in de gesuperviseerde trainings- en validatiedata.

De studie hanteert rigoureuze controle-experimenten, inclus\u{e become} constante, mismatchende en gescrambelde SMILES, om te verifiëren dat het model specifieke ligandinformatie gebruikt in plaats van generieke eiwit-propensiteit. Daarnaast zijn ablatie-studies uitgevoerd over vijf schalen van ESM-2 (8M tot 3B parameters) en meerdere CLM-configuraties (MolFormer, UniMol-2) om de impact van modelschaal te analyseren.

Belangrijkste Bijdragen

Ligand-Bewuste Benchmark: De vestiging van een gestandaardiseerd evaluatiekader met splitsingen voor oververtegenwoordigde, ondervertegenwoordigde en zero-shot liganden, waarbij binnen-ligand sequentieclustering wordt opgenomen om residue-niveau voorspelling systematisch te beoordelen over variërende beschikbaarheid van gegevens.
Progressieve Modelleringssuite: De ontwikkeling en evaluatie van een driefasige modelleringsprogressie die karakteriseert hoe de ligand-supervisie afneemt van single-ligand training naar multi-ligand conditionering en uiteindelijk naar SMILES-gebaseerde zero-shot inferentie.
Gecontroleerde Representatie-analyse: Systematische beoordeling van eiwit- en chemische representaties door middel van ablaties en ligand-input controles (constante, mismatchende, gescrambelde SMILES), wat de bijdrage van specifieke ligandinputs aan de voorspellende nauwkeurigheid aantoont.

Resultaten

Fase 2 vs. Fase 1: Op de oververtegenwoordigde testset behaalde Fase 2 een hogere ligand-macro F1 (0.5832) vergeleken met Fase 1 (0.4769). De auteurs merken echter op dat deze vergelijking gepaard gaat met gelijktijdige veranderingen in architectuur, conditionering en trainingsregime. Een gematchte ablatie op zes liganden toonde aan dat het vervangen van de lineaire predictor door de Fase 2 decoder alleen een bescheiden verbetering opleverde (+0.0136 F1), wat suggereert dat de winst grotendeels wordt gedreven door multi-ligand training en conditionering.
Fase 3 Prestaties: Het Fase 3 model behaalde een gepoolde residue-niveau F1 van 0.3109 en een ligand-macro F1 van 0.2338 op voorheen ongeziene (zero-shot) liganden. Hoewel dit een bescheiden afname in prestaties betekent op gerepresenteerde liganden vergeleken met Fase 2 (bijv. de oververtegenwoordigde ligand-macro F1 daalde van 0.5832 naar 0.5526), demonstreert het het vermogen om bindingsplaatsen voor ongeziene ligandidentiteiten te voorspellen.
Controle-experimenten: Het vervangen van natuurlijke SMILES door constante, mismatchende of gescrambelde inputs verminderde de prestaties aanzienlijk over alle drie de testregimes (bijv. de zero-shot pooled F1 daalde van 0.3193 naar 0.1335 met constante input). Dit levert bewijs dat het model vertrouwt op de verstrekte ligand-associatie in plaats van enkel op generieke eiwit-bindingsplaats propensiteit.
Schaalanalyse: Het vergroten van de PLM-schaal (ESM-2) verbeterde over het algemeen de prestaties over de regimes, hoewel de trend niet strikt monotoon was. In tegenstelling hiertoe produceerde het vergroten van de CLM-schaal (bijv. UniMol-2 84M naar 570M) kleinere en minder consistente winsten.
Baselines: Het Fase 2 model presteerde beter dan verschillende sequentie- en structuurgebaseerde baselines (inclusief Boltz-2x, Prot2Token en LMetalSite) op specifieke metaalionen en cofactoren in de oververtegenwoordigde set.

Significantie en Claims
Het artikel beweert een systematische benchmark te bieden voor het kwantificeren van het effect van de beschikbaarheid van ligandgegevens op residue-niveau bindingsplaats-voorspelling en voor het evalueren van generalisatie naar voorheen ongeziene liganden. De auteurs benadrukken dat hun zero-shot capaciteit residue-niveau voorspelling mogelijk maakt met enkel eiwitsequenties en SMILES, zonder 3D-complexen te genereren.

De studie concludeert bescheiden dat hoewel het model zero-shot generalisatie demonstreert, de huidige architectuur vertrouwt op een oppervlakkige projector voor cross-modale fusie, en de beperkte winst van het schalen van CLMs suggereert dat de capaciteit van de eiwitrepresentatie een sterker effect heeft op de prestaties onder de huidige opzet. De auteurs verduidelijken dat de zero-shot setting gedefinieerd is op het niveau van de ligandidentiteit (ligand-ID's die afwezig zijn in de training) en niet impliceert dat de afwezigheid van receptorsequenties of receptorfamilies uit de trainingsdata is. Het werk beoogt reproduceerbare vooruitgang te ondersteunen in ligand-bewuste en zero-shot residue-niveau bindingsplaats-voorspelling door het vrijgeven van code, data en modelgewichten.

Meer zoals dit