Reaction-Conditioned Enzyme Discovery with Multimodal Deep Learning

Dit artikel introduceert VenusRXN, een multimodaal deep learning-framework dat enzymen voor onbekende chemische reacties succesvol ontdekt door reacties als primaire functionele beschrijver te gebruiken in plaats van sequentie-homologie, wat experimenteel is geverifieerd met een opmerkelijke nauwkeurigheid in een zoekruimte van meer dan 300 miljoen eiwitten.

De kern

Stel je voor dat je een enorme bibliotheek hebt met miljarden boeken (eiwitten), maar de meeste hebben geen titel op de rug en geen inhoudsopgave. We weten niet wat ze doen. Nu, stel je voor dat je een heel specifiek recept hebt voor een medicijn (een chemische reactie) en je wilt weten: "Welk boek in deze bibliotheek bevat de instructies om dit recept te maken?"

Dat is precies het probleem dat wetenschappers al jaren hebben. Traditionele methoden kijken alleen naar hoe veel boeken op elkaar lijken (zoals of ze dezelfde schrijver hebben). Maar als je een nieuw recept hebt dat nog nooit eerder is gemaakt, werkt dat niet. Je kunt geen boek vinden dat op een ander lijkt als het boek dat je zoekt, nog niet bestaat in de bibliotheek.

VenusRXN: De "Google Translate" voor Chemie en Biologie

De auteurs van dit papier hebben VenusRXN bedacht. Je kunt dit zien als een superkrachtige vertaler die twee totaal verschillende talen met elkaar verbindt:

1. De taal van de chemie: Hoe atomen en moleculen zich veranderen (het recept).
2. De taal van de biologie: De code van eiwitten (de koks).

In plaats van te kijken of twee koks op elkaar lijken (zoals traditionele methoden doen), kijkt VenusRXN direct naar het recept en vraagt: "Wie in de hele wereld kan dit koken?"

Hoe werkt het? (Met een paar creatieve metaforen)

• De "Recept-Scanner" (De Chemische Encoder):
  Stel je voor dat je een recept hebt geschreven in een vreemde taal. VenusRXN heeft een speciale scanner die dit recept leest en omzet in een soort "geheime code" (een vector). Deze scanner is zo slim dat hij niet alleen de ingrediënten ziet, maar ook precies begrijpt hoe ze veranderen. Hij is getraind op miljoenen recepten om de regels van de keuken te begrijpen, zelfs voor recepten die nog niet bestaan.

• De "Kookboeken-Index" (De Eiwit-Encoder):
  Nu hebben we een enorme bibliotheek met 300 miljoen kookboeken (eiwitten). VenusRXN heeft elk van deze boeken ook omgezet in dezelfde "geheime code". Het maakt een gigantische index, alsof het een super-snel zoekmachine maakt voor de hele wereld van eiwitten.

• De "Matchmaker" (Multimodaal Leren):
  Het geheim van VenusRXN is dat het de "recept-code" en de "kookboek-code" samen heeft laten leren. Het heeft gezien dat bepaalde recepten vaak worden gekookt door bepaalde soorten koks. Door deze twee werelden samen te brengen, leert het systeem: "Als je dit recept ziet, zoek dan naar deze specifieke code in de kookboeken."

Waarom is dit zo'n revolutie?

1. Het vindt de "Nieuwe Naald in de Hooiberg":
   In het papier testen ze dit op een echt moeilijk geval: het maken van een tussenstap voor een diabetes-medicijn. Het recept gebruikte een ingrediënt dat in de natuur niet voorkomt (een "niet-natuurlijk substraat"). Geen enkele traditionele methode kon dit vinden. VenusRXN keek door 300 miljoen kookboeken en vond binnen de top 10 de perfecte kok (een enzym) die dit kon doen. Dat is alsof je in een hooiberg van 300 miljoen hooibalen één specifieke naald vindt, en dat in enkele minuten.

2. Het werkt zonder "Achterdeur" (Geen 3D-structuren nodig):
   Veel oude methoden hadden nodig dat je eerst de 3D-vorm van het eiwit kende (alsof je eerst het gebouw van de kok moet bekijken voordat je weet of hij kan koken). Maar die 3D-gegevens zijn zeldzaam. VenusRXN kijkt alleen naar de tekst (de volgorde van letters in het eiwit). Omdat er miljarden teksten zijn en maar een paar 3D-plaatjes, kan VenusRXN veel verder kijken dan wie dan ook.

3. Het is een "Zero-Shot" Magiër:
   Dit betekent dat het systeem nieuwe dingen kan doen zonder dat het ze ooit eerder heeft gezien. Het is alsof je een AI vraagt om een recept te maken voor een gerecht dat nog nooit is bedacht, en het slaagt er toch in om de perfecte kok te vinden.

Het bewijs in het lab

De wetenschappers waren niet alleen tevreden met de computerresultaten. Ze namen de top-candidaten die VenusRXN had gevonden en testten ze in het echte laboratorium (de "natte" wereld).

• Voor het diabetes-medicijn: Het gevonden enzym werkte perfect en maakte het medicijn met een zeer hoge zuiverheid.
• Voor een ander medicijn (Acarbose): Het vond een enzym dat een zeldzame chemische stap kon uitvoeren.

Conclusie

VenusRXN verandert de manier waarop we nieuwe medicijnen en materialen maken. In plaats van jarenlang te gissen en te zoeken naar koks die op elkaar lijken, kunnen we nu gewoon het recept tonen en de AI laat ons zien wie de beste kok is. Het opent de deur naar een wereld van "nieuwe natuur" – chemische reacties die we nog nooit hebben gezien, maar die nu wel mogelijk zijn dankzij deze slimme digitale gids.

Kortom: Het is de Google Translate die ons eindelijk in staat stelt om te communiceren met de onbekende delen van het leven, zodat we nieuwe wonderen kunnen creëren.

Technische samenvatting

Probleemstelling

De precieze koppeling tussen chemische transformaties en enzymatische katalysatoren is fundamenteel voor het begrijpen van metabolische netwerken. Traditionele methoden voor enzymontdekking zijn echter beperkt:

• Homologie-gebaseerde benaderingen: Methoden zoals BLASTp of Foldseek vertrouwen op sequentie- of structuurhomologie. Deze zijn "blind" voor nieuwe reacties die niet eerder zijn beschreven of die afwijken van bekende families.
• Afhankelijkheid van annotaties: Bestaande deep-learning-modellen voorspellen vaak EC-nummers of GO-termen op basis van bestaande annotaties, wat leidt tot hoge false-positie rates en geen mogelijkheid biedt om reacties te vinden die "nieuw voor de natuur" zijn.
• Schaalbaarheid: Modellen die afhankelijk zijn van 3D-proteïnestructuren (die schaars zijn vergeleken met sequentiegegevens) kunnen de enorme hoeveelheid ongeannoteerde "donkere materie" in de proteïnewereld niet efficiënt doorzoeken.

Er is dus een dringende behoefte aan een paradigma dat enzymen direct kan vinden op basis van de chemische reactie die ze moeten katalyseren, zonder afhankelijk te zijn van bestaande annotaties of structurele data.

Methodologie: VenusRXN

De auteurs introduceren VenusRXN, een multimodaal deep learning-framework dat chemische reacties en proteïnesequenties in een gemeenschappelijke vectorruimte afbeeldt.

1. Reactie-Encoder (Chemische Representatie):

• Gebruikt een Mol-Graphormer (een voorgetrainde Graph Transformer) om reactanten en producten als moleculaire grafen te encoderen.
• Implementeert drie zelftoezichtende pretraining-doelstellingen:
  • Masked Atom Property Prediction (MAP): Voorspellen van atoomeigenschappen.
  • Reaction Center Prediction (RCP): Identificeren van atomen die betrokken zijn bij de reactie.
  • Graph Contrastive Learning (GCL): Onderscheiden van geldige reactieparen.
• Gebruikt Condensed Graph of Reaction (CGR): De reactanten en producten worden gesuperponeerd op basis van atoommapping om een CGR te vormen, die vervolgens wordt geëncodeerd door een tweede, lichtere Graphormer (CGR-Graphormer). Dit vangt de structurele transformatie van reactant naar product effectief in.

2. Proteïne-Encoder en Joint Encoder:

• Gebruikt een Protein Language Model (PLM) (gebaseerd op ESM-C) dat werkt in twee modi:
  • Unimodal: Encodes alleen proteïnes.
  • Joint: Integreert de reactie-encoder output via cross-attention lagen in de Transformer-blokken.
• Het model is sequentie-gebaseerd en vereist geen 3D-structuren, wat het schaalbaar maakt voor miljarden proteïnes.

3. Trainingsstrategie (Multimodaal Leren):
Het model wordt getraind op een dataset van 265.920 reactie-enzym paren (uit BRENDA en Rhea) met drie doelstellingen:

• Contrastive Learning: Trekt gekoppelde reactie-enzym paren dichter naar elkaar en duwt niet-gekoppelde paren uit elkaar (met een beperkte bemonsteringsstrategie om veel-op-veel relaties te hanteren).
• Soft-label Alignment: Gebruikt intra-modale semantische relevantie om zachte doelen te definiëren voor betere uitlijning.
• Classificatie: Classificeert reactie-enzym paren als positief of negatief (met "hard negatives" uit de batch).

4. Toepassingen:

• Retrieval: Zoek enzymen voor een gegeven reactie (zero-shot) of zoek enzymen met vergelijkbare functie als een template-enzym.
• Fine-tuning: Aanpassen op katalytische prestatielabels (bijv. $k_{cat}$) voor taak-specifieke aanbevelingen.

Belangrijkste Bijdragen

• Paradigmaswitch: Het stellen van de chemische reactie zelf als de primaire functionele beschrijver, in plaats van homologie.
• Zero-shot Generalisatie: Het vermogen om enzymen te vinden voor reacties die volledig afwezig waren in de trainingsdata.
• Schaalbaarheid: Het bouwen van een vectordatabase die het mogelijk maakt om in minuten enzymen te vinden uit een zoekruimte van meer dan 300 miljoen proteïnes (NCBI NR database), zonder afhankelijkheid van structurele data.
• Experimentele Validatie: Het succesvol identificeren van nieuwe enzymen via "wet-lab" experimenten voor reacties die nooit eerder waren gerapporteerd.

Resultaten

• Benchmarks:
  • Bij het vinden van enzymen voor onbekende reacties (zero-shot) bereikte VenusRXN een top-20 retrieval hit rate van 76,5%, wat significant beter is dan state-of-the-art baselines zoals CLIPZyme (die structuren vereist).
  • Zelfs bij zeer lage gelijkenis tussen trainings- en testreacties (cosine similariteit ≤ 0,2) behaalde het model bijna het dubbele van de prestaties van concurrenten.
  • Bij template-gebaseerde zoekopdrachten (enzym-naar-enzym) presteerde het model ook superieur, vooral bij lage sequentie-identiteit (≤ 20%).
• Case Studies (Natuurlijke Producten):
  • Het model reconstrueerde succesvol vier recente biosynthetische paden (Taxol, Salicylzuur, S-TeA, Sulfenicin) door de doel-enzymen binnen de top 50 te ranken, zonder gebruik te maken van transcriptoomdata of mutagenese.
• Wet-lab Validatie (Zero-shot Ontdekking):
  • Diabetes-medicijn intermediair: Voor een ongerapporteerde transaminatie-reactie met een niet-natuurlijk substraat (voor de synthese van een type-2-diabetes medicijn), identificeerde VenusRXN een actief enzym (TA-3) binnen de top 10 van 300+ miljoen kandidaten. Dit enzym toonde 45% conversie en >99% enantiomere excess.
  • Acarbose-intermediair: Voor de fosforylering van valienol, werd een actief kinase (C9) gevonden binnen de top 10.
• Voorspelling van $k_{cat}$:
  • Na fine-tuning op experimentele $k_{cat}$-data, overtrof VenusRXN bestaande modellen (zoals TurNup) aanzienlijk, met Spearman-correlaties > 0,6.

Betekenis

VenusRXN vertegenwoordigt een doorbraak in het veld van biocatalyse en synthetische biologie. Het lost het probleem op van het vinden van enzymen voor "orphan reactions" (reacties zonder bekende katalysator) door de afhankelijkheid van homologie en structurele data te doorbreken.

• Efficiëntie: Het reduceert de experimentele last drastisch door de kandidaat-pool voor validatie van miljoenen naar een handvol te verkleinen.
• Toegang: Het maakt het mogelijk om de "donkere materie" van de proteïnewereld (miljarden ongeannoteerde sequenties) te benutten met betaalbare rekencapaciteit.
• Toekomst: Het opent de weg voor het ontwerpen van enzymen voor volledig nieuwe chemische routes, wat essentieel is voor duurzame bioproductie en de ontwikkeling van nieuwe geneesmiddelen.

Kortom, VenusRXN verschuift de focus van "wat lijkt dit eiwit op?" naar "welk eiwit kan deze specifieke chemische transformatie uitvoeren?", wat een fundamentele stap is naar de de novo ontdekking van biokatalysatoren.