ProteinConformers: large-scale and energetically profiled descriptions of protein conformational landscapes

ProteinConformers is een nieuwe resource die 2,7 miljoen geometrisch geoptimaliseerde eiwitconformaties biedt, aangevuld met uitgebreide energetische en vergelijkingsdata, om de conformationele landschappen van eiwitten op grote schaal te modelleren en te analyseren voor toepassingen in dynamica, allosterie en medicijnontwikkeling.

De kern

Wat is dit eigenlijk?

Stel je voor dat een eiwit (een bouwsteen in je lichaam) geen statisch bouwwerk is, zoals een bakstenen muur. In plaats daarvan is het meer als een levendige, dansende pop of een slang die voortdurent van vorm verandert.

Deze pop kan in miljoenen verschillende houdingen staan. Sommige houdingen zijn gezond en stabiel (waar het eiwit zijn werk goed doet), terwijl andere houdingen onnatuurlijk of "gebroken" zijn. De verzameling van al deze mogelijke houdingen noemen we het conformationeel landschap.

Het probleem tot nu toe was dat wetenschappers maar een klein deel van dit landschap zagen. Ze hadden vaak alleen foto's van de "standaardhouding" of simpele schetsen. Ze misten de details: Hoe energieker is deze houding? Hoe waarschijnlijk is het dat het eiwit hier naartoe beweegt?

ProteinConformers is een enorme, digitale bibliotheek die dit landschap eindelijk volledig in kaart brengt.

---

De Grote Ontdekking: Een Digitale "Zandbak"

De onderzoekers hebben een gigantische database gebouwd met 2,7 miljoen verschillende versies van 734 verschillende eiwitten.

• De Metafoor: Stel je voor dat je een pop hebt. In het verleden hadden we misschien 10 foto's van die pop. Met ProteinConformers hebben we de pop in een digitale "zandbak" gegooid en hem 480 keer van startpositie laten vallen. We hebben hem laten rollen, springen en draaien tot hij op een stabiele plek landde.
• Het Resultaat: We hebben nu niet alleen de foto's, maar we weten ook precies hoeveel energie elke houding kost (alsof we meten hoe zwaar het is om die houding vast te houden) en hoe ver elke houding afstaat van de perfecte, gezonde vorm.

Waarom is dit zo belangrijk?

1. Van "Vast" naar "Dynamisch":
   Vroeger dachten we dat eiwitten statische blokken waren. Nu zien we dat ze bewegen. Om te begrijpen hoe medicijnen werken of hoe ziektes ontstaan, moet je weten hoe die pop beweegt. ProteinConformers geeft ons de "film" in plaats van alleen de "foto".

2. De "Bingo-kaart" voor AI:
   Er zijn nu veel kunstmatige intelligentie (AI) programma's die proberen om nieuwe eiwitvormen te bedenken. Maar hoe weet je of die AI goed bezig is?

   • De Metafoor: Stel je voor dat je een nieuwe AI hebt die tekeningen maakt van een kat. Hoe weet je of het een goede tekening is? Je vergelijkt het met een verzameling van echte, perfecte katfoto's.
   • ProteinConformers fungeert als die ultieme verzameling van echte katfoto's. De onderzoekers hebben een "benchmark" (een testset) gemaakt om te zien welke AI het beste kan voorspellen welke houdingen een eiwit kan aannemen. Ze ontdekten dat sommige AI's (zoals BioEmu) heel goed zijn in het vinden van de meest energiezuinige, stabiele houdingen, terwijl andere AI's wat meer "dwalen" in het landschap.

3. Een Open Kaart voor Iedereen:
   De onderzoekers hebben een interactieve website gemaakt.

   • De Metafoor: In plaats van dat je zelf een supercomputer nodig hebt om deze data te bekijken, is het alsof ze een Google Maps hebben gebouwd voor eiwitten. Je kunt inzoomen op een specifiek eiwit, zien hoe het beweegt, filteren op energie (bijvoorbeeld: "laat me alleen de houdingen zien die minder energie kosten") en de data downloaden. Het is allemaal gratis en toegankelijk.

Samenvattend in één zin:

ProteinConformers is als het bouwen van een gigantische, driedimensionale atlas van alle mogelijke manieren waarop eiwitten kunnen bewegen, compleet met een energiemeter en een navigatiesysteem, zodat artsen en wetenschappers beter kunnen begrijpen hoe het leven in ons lichaam werkt en hoe we nieuwe medicijnen kunnen ontwerpen.

De Kernpunten voor de Leek:

• Grootte: 2,7 miljoen eiwit-houdingen (conformers).
• Diepgang: Elke houding is gecontroleerd op fysieke haalbaarheid en energie.
• Doel: Het helpt bij het vinden van nieuwe medicijnen en het begrijpen van ziektes.
• Toegankelijkheid: Iedereen kan het gratis gebruiken via een gebruiksvriendelijke website.

Kortom: Ze hebben de "bewegingsfilm" van eiwitten voor het eerst in detail opgenomen en aan de wereld gegeven.

Technische samenvatting

Probleemstelling

Het modelleren van het conformationele landschap van eiwitten is essentieel voor het begrijpen van dynamica, allostrie en het ontwerpen van medicijnen. Bestaande hulpmiddelen en datasets hebben echter drie belangrijke tekortkomingen:

1. Beperkte dekking: Bestaande methoden (zoals moleculaire dynamica of fragment-assembly) zijn vaak beperkt tot het gebied rond de native structuur (het globale energie-minimum) en missen een breed scala aan niet-native toestanden.
2. Gebrek aan energetische annotatie: Veel datasets bieden geen gedetailleerde energetische profielen die de koppeling tussen conformationele variabiliteit en thermodynamische stabiliteit kwantificeren.
3. Ontbrekende benchmarking-standaarden: Er is geen gestandaardiseerd raamwerk om de geometrische plausibiliteit en de diversiteit van gegenereerde conformaties systematisch te beoordelen.

Methodologie

De auteurs hebben ProteinConformers ontwikkeld, een grote, energetisch geannoteerde database van eiwitconformatielandschappen. De aanpak omvat de volgende stappen:

• Data-voorbereiding:

  • Het verzamelen van 734 eiwitten uit de CASP (Critical Assessment of protein Structure Prediction) competitie (seizoenen 5 tot 15).
  • Een uitgebreide pipeline voor het reinigen van data: verwijderen van duplicaten, corrigeren van ontbrekende residuen/atomen, en het aligneren van sequenties met structuren.
  • Selectie van representatieve native structuren en het genereren van extra "decoy"-structuren (via 3DRobot) waar nodig om een minimum van 100 decoys per eiwit te garanderen.

• Multi-seed Moleculaire Dynamica (MD):

  • In plaats van te starten vanuit één native structuur, worden MD-simulaties gestart vanuit honderden diverse beginconformaties (zaden) per eiwit.
  • Gebruik van GROMACS 2023 met de OPLS-AA krachtveld en TIP3P watermodel.
  • Simulaties omvatten energie-minimalisatie, NVT- en NPT-fasen, gevolgd door productiesimulaties (125-375 ps) om atomaire optimalisatie te bereiken.
  • Resultaat: 2,7 miljoen geometrisch geoptimaliseerde conformaties.

• Energetische en Similariteitsprofielen:

  • Elke conformatie is geannoteerd met 5 verschillende energie-functies (RW, RWplus, EvoEF2, Rosetta, FoldX), wat resulteert in 13,7 miljoen energie-evaluaties.
  • Berekening van structurele similariteit (TM-score en RMSD) ten opzichte van de native structuur (5,5 miljoen annotaties).

• Benchmark Dataset (ProteinConformers-lite):

  • Een gecureerde subset van 87 eiwitten (uit CASP14 en CASP15) met 381.546 geoptimaliseerde conformaties.
  • Deze subset dient als referentie voor het testen van generatieve modellen.

• Evaluatiemetrics:

  • Diversiteit: Gebruik van PCA om conformationele data te projecteren op een 2D vrije-energielandschap. Meten van overlap, dekking (Coverage) en Jaccard-index onder verschillende energie-drempels.
  • Plausibiliteit: Introductie van de Conformation Geometry Map (CGM) en CGMS-scores (Cosine en Mahalanobis). Deze metrics analyseren statistieken van residue-paren (afstand, rotatie, oriëntatie, vlakke hoek) om te bepalen hoe goed gegenereerde ensembles de native geometrische verdelingen nabootsen.

Belangrijkste Resultaten

1. Uitgebreide Dekking: ProteinConformers biedt een continu landschap van niet-native tot near-native toestanden. De dataset beslaat een veel bredere conformationele ruimte per eiwit dan de bestaande ATLAS-database, terwijl de lokale stereochemische kwaliteit vergelijkbaar blijft met de hoogwaardige Top2018-dataset.
2. Kwaliteitsbeoordeling:
   • De verdelingen van dihedrale hoeken en bindingslengten in ProteinConformers-lite komen sterk overeen met de Top2018-referentie.
   • Het percentage Ramachandran-outliers neemt af naarmate de TM-score stijgt en daalt onder het gemiddelde van Top2018 (13%) voor near-native toestanden.
3. Benchmarking van Generatieve Modellen:
   • Vijf modellen (AlphaFlowMD, AlphaFlowPDB, ESMFlowMD, ESMFlowPDB, en BioEmu) werden getest.
   • BioEmu behaalde de hoogste dekking van lage-energie gebieden onder strikte drempels.
   • Modellen getraind op MD-data (zoals AlphaFlowMD) toonden bescheiden verbeteringen in lokale geometrische realisme, maar genereren over het algemeen betere afstandsverdelingen dan oriëntatiestatistieken.
4. Interactief Platform: Een gebruiksvriendelijke webportal is ontwikkeld die zoekopdrachten, 3D-visualisatie (native vs. decoy), interactieve 2D-kaarten en bulk-downloadmogelijkheden biedt zonder lokale rekenkracht.

Bijdragen en Significance

• Unieke Resource: ProteinConformers is de eerste grote database die miljoenen conformaties koppelt aan uitgebreide energetische profielen en structurele similariteitsmaten, specifiek ontworpen om het volledige landschap van eiwitdynamica te dekken.
• Standaardisatie: Het introduceert een robuust benchmark-raamwerk (ProteinConformers-lite met CGM-metrics) om de prestaties van moderne multi-conformer generatoren objectief te vergelijken.
• Toepassing: De dataset en het platform vormen een fundamentele basis voor onderzoek naar eiwitdynamica, allostere mechanismen en computergestuurde drug discovery. Het stelt onderzoekers in staat om systematisch de diversiteit en fysieke plausibiliteit van nieuwe structurele voorspellingen te evalueren.
• Open Access: Alle data, benchmarks en code zijn vrij beschikbaar via de website van de Zhang-groep, Hugging Face en GitHub, wat de adoptie en verdere ontwikkeling in de gemeenschap stimuleert.

Kortom, dit werk vult een kritieke lacune in de bio-informatica door een schaalbaar, energetisch onderbouwd en gestandaardiseerd ecosysteem te bieden voor het bestuderen en genereren van eiwitconformaties.