Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

Dit paper introduceert Protenix-v1, het eerste volledig open-source model dat AlphaFold3 overtreft door middel van inference-time schaling, uitgebreide RNA- en template-ondersteuning, en een grotere dataset, terwijl het tegelijkertijd de benchmarking-praktijken voor biomoleculaire structuurvoorspelling verbetert.

De kern

Stel je voor dat je een gigantische, ingewikkelde LEGO-bouwpakket hebt, maar de instructiehandleiding ontbreekt. Je moet de structuur van een eiwit (een bouwsteen van het leven) of een virus reconstrueren, puur op basis van de losse stukjes. Dat is wat wetenschappers doen bij het voorspellen van biomoleculaire structuren.

Deze paper introduceert Protenix-v1, een nieuwe, gratis beschikbare "super-bouwer" die net zo goed (en soms zelfs beter) presteert als de beroemde, dure en gesloten software AlphaFold3.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. De "Open Source" Doorbraak

Vroeger was er een groot gat tussen de gratis software die iedereen kon gebruiken en de superkrachtige software van grote bedrijven (zoals AlphaFold3). Het was alsof je een simpele hamer had, terwijl anderen een lasmachine gebruikten.

• De Analogie: Protenix-v1 is als het moment waarop een groep hobbyisten een gratis lasmachine bouwt die precies even goed werkt als die van de grote fabriek. Ze gebruiken dezelfde blauwdrukken (trainingsdata) en hebben evenveel energie (rekenkracht) nodig, maar nu kan iedereen de machine zelf bouwen en aanpassen.

2. Het "Meer is Beter"-Principe (Inference-Time Scaling)

Een van de coolste dingen aan Protenix-v1 is hoe het leert van zijn eigen fouten door te oefenen.

• De Analogie: Stel je voor dat je een moeilijke puzzel probeert op te lossen.
  • De oude gratis programma's waren als iemand die één keer probeert, het antwoord opschrijft en hoopt dat het goed is.
  • Protenix-v1 is als iemand die 100 keer dezelfde puzzel probeert op te lossen, elke keer op een iets andere manier. Dan kijkt hij naar al die 100 pogingen en kiest hij de allerbeste oplossing.
  • De paper laat zien dat als je meer rekenkracht steekt in het "proberen" (het budget vergroten), de kwaliteit van het antwoord lineair verbetert. Het is alsof je meer tijd neemt om te denken, en daardoor steeds slimmer wordt.

3. De Twee Versies: De Strikte Wetenschapper en de Praktische Werkman

De auteurs hebben twee versies van de software vrijgegeven, afhankelijk van wat je nodig hebt:

• Protenix-v1 (De Strikte Wetenschapper): Deze versie is getraind op data tot een bepaalde datum (net als AlphaFold3). Dit is ideaal om eerlijke wedstrijden te houden en te bewijzen dat de software echt zo goed is. Het is als een examen dat je doet met een oude, bekende set vragen.
• Protenix-v1-20250630 (De Praktische Werkman): Deze versie is getraind op nieuwer materiaal (tot juni 2025). Als je een medicijn wilt ontwerpen voor een ziekte die gisteren pas ontdekt is, wil je de nieuwste kennis. Deze versie is als een werkman die de allerlaatste bouwtekeningen heeft, zelfs die van gisteren.

4. Nieuwe Gereedschappen in de Koffer

Naast het bouwen van eiwitten, kan deze software nu ook:

• RNA en DNA begrijpen: Het kan niet alleen eiwitten bouwen, maar ook de complexe interacties tussen eiwitten en RNA (de "boodschappers" in de cel).
• Voorbeelden gebruiken: Het kan kijken naar bestaande, bekende structuren (templates) om sneller een oplossing te vinden, net als een architect die kijkt naar een bestaand gebouw om een nieuw ontwerp te maken.

5. Een Eerlijke Meetlat

De auteurs zeggen ook: "De oude meetlaten waren niet eerlijk."

• De Analogie: Stel je voor dat je twee auto's wilt vergelijken in een race, maar auto A rijdt op een gladde weg en auto B op een modderpad. Dan is de vergelijking niet eerlijk.
• De paper introduceert nieuwe, scherpere testsets (zoals FoldBench en PXM) waarbij ze ervoor zorgen dat alle software op exact dezelfde "weg" rijdt. Ze tellen ook niet alleen het gemiddelde, maar kijken naar de variatie, zodat je zeker weet dat de resultaten niet door geluk zijn behaald.

Conclusie

Kortom: Protenix-v1 is een game-changer. Het haalt de poort open voor iedereen om de allerbeste biomoleculaire voorspellingen te doen, zonder dat je een dure licentie hoeft te kopen. Het laat zien dat als je slim genoeg bent om je rekenkracht te gebruiken (meer pogingen doen), je gratis software kunt bouwen die net zo goed is als de duurste concurrenten. Dit opent de deur voor snellere medicijnontwikkeling en beter begrip van het leven zelf.

Technische samenvatting

Probleemstelling

Hoewel de open-source ecosysteem voor biomoleculaire structuurvoorspelling snel is gegroeid, bestaat er nog steeds een aanzienlijke prestatiekloof tussen bestaande open-source modellen en gesloten modellen zoals AlphaFold3. Gesloten modellen zijn vaak niet transparant, wat systematische vergelijkingen en eerlijke beoordelingen bemoeilijkt. Bestaande open-source modellen halen de nauwkeurigheid van AlphaFold3 vaak niet, vooral bij complexe taken zoals het voorspellen van interacties tussen eiwitten en RNA, of antilichamen en antigenen. Daarnaast vertonen veel benchmarks (zoals FoldBench) methodologische tekortkomingen, zoals inconsistente data-overlapping tussen modellen en hoge variantie door onvoldoende steekproefgrootte, wat leidt tot onbetrouwbare rangschikkingen.

Methodologie

Protenix-v1 is het eerste volledig open-source model dat is ontworpen om de prestaties van AlphaFold3 te evenaren of te overtreffen, onder strikt gecontroleerde voorwaarden:

• Vergelijkbare randvoorwaarden: Het model gebruikt dezelfde trainingsdata-cutoff, modelgrootte en inferentiebudget als AlphaFold3.
• Architectuur en Features: Het model maakt gebruik van een diffusie-gebaseerde inferentie (vergelijkbaar met AlphaFold3) en integreert geavanceerde invoerfeatures, waaronder:
  • Ondersteuning voor RNA Multiple Sequence Alignments (MSA).
  • Integratie van eiwittemplates.
  • Uitgebreide distillatie op basis van ongeordende (disordered) structuren en monomeren (gebaseerd op MGnify).
• Inferentie-schaling: Een kernaspect van de methode is het benutten van inference-time scaling. In plaats van alleen de beste voorspelling te nemen, genereert het model meerdere kandidaten (tot honderden) door de sampling-budget te verhogen. Dit leidt tot consistente verbeteringen in voorspellingkwaliteit, vooral bij moeilijke doelen zoals antilichaam-antigeen complexen.
• Evaluatie-protocol: De auteurs hebben een robuust evaluatiekader ontwikkeld om bias te verminderen:
  • Gebruik van bootstrapping (met 20 random seeds) om statistische variantie te minimaliseren.
  • Een gecorrigeerde FoldBench subset die alleen gemeenschappelijk succesvol geëvalueerde monsters tussen alle modellen bevat, om "out-of-memory" fouten van andere modellen niet ten onrechte te bestraffen.
  • Nieuwe, jaarstratificeerde benchmarks (PXM-2024, PXM-2025, PXM-22to25) om data-overlapping met trainingssets te controleren en de prestaties op recente data te testen.

Belangrijkste Bijdragen

1. Protenix-v1 Model: Een volledig open-source model dat AlphaFold3-waarden bereikt of overtreft op diverse taken (monomeren, eiwit-eiwit, eiwit-RNA, eiwit-DNA, eiwit-ligand) onder gelijke voorwaarden.
2. Inference-Time Scaling: Het aantonen dat het verhogen van het sampling-budget leidt tot log-lineaire verbeteringen in nauwkeurigheid, een eigenschap die eerder vooral bij gesloten modellen werd waargenomen.
3. Verbeterde Evaluatie: De introductie van een uitgebreide, jaarstratificeerde benchmark-suite (PXM) en gecorrigeerde protocollen voor bestaande benchmarks (FoldBench) om eerlijke en reproduceerbare vergelijkingen mogelijk te maken.
4. Twee Modelvarianten:
   • Protenix-v1: Ontworpen voor strikte, eerlijke benchmarks met dezelfde data-cutoff als AlphaFold3.
   • Protenix-v1-20250630: Een variant getraind op een grotere, recentere dataset (tot juni 2025), geoptimaliseerd voor praktische toepassingen zoals drug discovery waar targets vaak homologie hebben met recent vrijgegeven PDB-structuren.
5. Openbare Tools: Release van verbeterde evaluatietools en benchmarks om de gemeenschap te ondersteunen bij transparante assessment.

Resultaten

De resultaten tonen aan dat Protenix-v1 een nieuwe staat-der-kunst (SOTA) bereikt voor open-source modellen:

• Algemene Prestaties: Op de FoldBench presteert Protenix-v1 beter dan bestaande open-source baselines (zoals Chai-1 en Boltz-1) en komt dicht in de buurt van of overtreft AlphaFold3, vooral op eiwit-eiwit en antilichaam-antigeen taken.
• Antilichamen: Op de specifieke PXM-22to25-Antibody benchmark toont Protenix-v1 een duidelijke superioriteit. Met een sampling-budget van 100 zaden (seeds) stijgt de DockQ Success Rate van 36% naar bijna 48%.
• Liganden: Op de PXM-22to25-Ligand benchmark behaalt het de laagste RMSD (2.772 Å) en de hoogste success rate voor RMSD < 2Å (72.79%).
• Confidence Filtering: De confidence scores (ipTM, pTM, pLDDT) van Protenix-v1 fungeren als een superieure filter voor het selecteren van hoge-kwaliteit structuren, wat resulteert in een 10-30% verbetering ten opzichte van de mediaan bij antilichaam-ontwerp.
• Ablatie Studies: Het verwijderen van RNA-MSA input leidt tot een daling in prestaties voor RNA-taken, maar heeft weinig effect op andere domeinen, wat de specifieke waarde van deze feature bevestigt. De variant Protenix-v1-20250630 overtreft de standaard versie aanzienlijk op recente data (PXM-2025H2), vooral bij antilichaam-taken.

Betekenis en Impact

Protenix-v1 is een mijlpaal voor het open-source ecosysteem in de computationele biologie. Het bewijst dat de prestatiekloof met gesloten modellen niet fundamenteel is, maar het resultaat van methodologische en trainingsstrategieën die nu ook open-source beschikbaar zijn.

• Transparantie: Het biedt een volledig transparant alternatief voor AlphaFold3, wat cruciaal is voor wetenschappelijke replicatie en verder onderzoek.
• Praktische Toepassingen: De beschikbaarheid van de variant met latere data-cutoff (20250630) maakt het model direct inzetbaar voor real-world scenario's zoals drug discovery, waar toegang tot de nieuwste structurele data essentieel is.
• Methodologische Standaard: De paper stelt nieuwe standaarden voor evaluatie (bootstrapping, gemeenschappelijke intersecties, jaarstratificatie) die de betrouwbaarheid van toekomstige vergelijkingen in het veld zullen verhogen.

Kortom, Protenix-v1 legt een robuuste basis voor de volgende generatie open-source biomoleculaire structuurvoorspelling en demonstreert dat schaalbare inferentie en zorgvuldige data-curatie leiden tot doorbraken in nauwkeurigheid.