Programming Biomolecular Interactions with All-Atom Generative Model

Dit artikel introduceert AnewOmni, het eerste generatieve all-atom model dat succesvol functionele biomoleculen van verschillende groottes, variërend van kleine moleculen tot biologica, ontwerpt door interactiepatronen en fysische beperkingen over modaliteiten heen te leren en aan te sturen via programmeerbare graf-prompten.

De kern

De "Alles-in-één" Ontwerper voor Geneesmiddelen: AnewOmni

Stel je voor dat je een enorme bibliotheek hebt met bouwtekeningen voor alles wat in het menselijk lichaam gebeurt. Tot nu toe hadden we voor elke soort bouwsteen een aparte architect nodig. Voor kleine chemische moleculen (zoals een aspirine) hadden we één team, voor eiwitten een ander team, en voor DNA weer een derde. Ze spraken niet met elkaar, gebruikten verschillende taal en volgden verschillende regels. Dat was inefficiënt en beperkte onze creativiteit.

Deze paper introduceert AnewOmni, een revolutionair computerprogramma dat als een super-architect fungeert. Deze architect kan niet alleen kleine moleculen, maar ook grote eiwitten en DNA ontwerpen, allemaal met één brein en één set regels.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Universele Lego-doos

Stel je voor dat alle moleculen in het lichaam eigenlijk gemaakt zijn van dezelfde soort Lego-blokjes, maar dan op atomaire schaal.

• Het oude probleem: De ene architect zag een eiwit als een reusachtig blok en de andere zag een klein molecuul als een losse steen. Ze probeerden ze niet te vergelijken.
• De AnewOmni-oplossing: Dit programma kijkt naar alles door dezelfde bril. Het breekt alles af tot de kleinste, chemisch zinvolle blokjes (atomen en kleine fragmenten). Het heeft een enorme "Lego-doos" met meer dan 5 miljoen voorbeelden van hoe deze blokjes in het verleden aan elkaar hebben gekleefd om ziektes te bestrijden.

2. De Magische "Stempel" (Generatief Model)

In plaats van te raden of te zoeken in een lijst, leert AnewOmni de patronen van hoe deze blokjes zich gedragen.

• De Analogie: Denk aan het leren van een taal. Als je alleen maar Engels leert, kun je geen Frans spreken. Maar als je de grammatica en de logica van taal begrijpt, kun je elke taal leren. AnewOmni heeft de "grammatica" van moleculaire interacties geleerd.
• Het programma kan nu een nieuw ontwerp "dromen" (genereren) door deze blokjes stap voor stap samen te voegen, precies op de plek waar ze nodig zijn om een ziekteverwekker te blokkeren.

3. De Afstandsbediening (Programmeerbare Prompt)

Dit is misschien wel het coolste deel. Je kunt de architect vertellen wat hij precies moet doen met een soort afstandsbediening (de "programmable graph prompt").

• Je kunt zeggen: "Maak een eiwit, maar zorg dat het een ringvorm heeft (cyclisch)" of "Voeg een speciale, niet-natuurlijke bouwsteen toe".
• Je kunt zelfs zeggen: "Begin met dit bestaande stukje en bouw er verder op".
• Het is alsof je een chef-kok bent die zegt: "Ik wil een pasta, maar dan met een vleugje chili en zonder gluten." De chef (AnewOmni) weet precies welke ingrediënten hij moet kiezen om dat te maken, zelfs als hij die specifieke combinatie nog nooit eerder heeft gemaakt.

4. De Proef in het Lab: Het "Onmogelijke" Doel

Om te bewijzen dat het werkt, hebben de onderzoekers het programma op een van de moeilijkste doelen in de geneeskunde laten werken: KRAS G12D.

• De uitdaging: Dit is een eiwit dat kanker veroorzaakt. Het is zo glad en heeft zo weinig plekken om aan te haken dat het jarenlang als "onkrachtbaar" (undruggable) werd beschouwd.
• Het resultaat: AnewOmni ontwierp drie verschillende soorten "wapens" tegen dit ene doel:
  1. Een klein molecuul (zoals een pilletje).
  2. Een peptide (een kort stukje eiwit).
  3. Een nanolijf (een heel klein, specifiek eiwit).
• De verrassing: Alle drie werkten ze! Ze haken vast op precies dezelfde plek. Het kleine molecuul zag er totaal anders uit dan de bekende medicijnen, maar werkte net zo goed. Het bewijst dat de "super-architect" creatiever is dan menselijke experts die vastzitten in oude patronen.

5. Een Nieuw Soort Medicijn voor Cholesterol

Ze testten het ook op PCSK9, een eiwit dat zorgt voor te veel cholesterol.

• Ze ontwierpen niet alleen een middel dat direct op het eiwit werkt, maar vonden ook een geheime ingang (een "cryptic pocket") die niemand eerder zag.
• Ze bouwden een klein molecuul dat in deze geheime ingang past. Dit molecuul blokkeert niet direct de interactie, maar zorgt ervoor dat het eiwit minder wordt uitgescheiden door de cel.
• Het bewijs: Ze maakten het molecuul in het lab en keken onder de microscoop. Het zag er precies uit zoals de computer had voorspeld (met een afwijking van slechts 0,92 Ångström – dat is alsof je een auto tekent en hij er precies zo uitziet als het echte model).

Waarom is dit belangrijk?

Vroeger moest je voor elk type ziekte een nieuwe, speciale methode bedenken. Met AnewOmni hebben we nu een algemene motor voor moleculair ontwerp.

• Het kan leren van kleine moleculen om betere eiwitten te maken, en vice versa.
• Het kan ontwerpen voor doelen waar we nog geen data over hebben (zoals RNA of DNA), omdat het de onderliggende regels begrijpt.
• Het opent de deur naar medicijnen die we nu nog niet eens kunnen dromen, omdat ze buiten de "normale" chemie vallen.

Kortom: AnewOmni is de eerste stap naar een toekomst waarin we ziektes niet meer "proberen" te genezen door te gissen, maar door een slimme computer te vragen: "Ontwerp een oplossing voor dit specifieke probleem, en maak het zo slim en creatief als je maar kunt."

Technische samenvatting

Probleemstelling

Biomoleculaire interacties vormen de basis van cellulaire levensprocessen en omvatten een breed scala aan moleculaire modaliteiten, van kleine moleculen en peptiden tot nucleïnezuren en eiwitten. Hoewel de fysisch-chemische principes van moleculaire herkenning universeel zijn op atomaire schaal, worden ontwerpstategieën voor deze verschillende modaliteiten traditioneel gescheiden behandeld. Bestaande computationele methoden zijn vaak modaliteit-specifiek (bijv. gescheiden modellen voor kleine moleculen versus antilichamen) en gebruiken verschillende representaties. Dit beperkt de overdraagbaarheid van kennis tussen modaliteiten en maakt het moeilijk om hybride of onconventionele chemieën (zoals niet-canonical aminozuren) te ontwerpen. Bestaande generatieve modellen missen vaak een unificatie die zowel atomaire details als hogere-orde structurele priors (zoals evolutionair behouden patronen) behoudt, wat leidt tot beperkte generalisatie naar ongeziene scenario's.

Methodologie: AnewOmni

De auteurs presenteren AnewOmni, een unificerend generatief raamwerk dat is getraind op meer dan 5 miljoen biomoleculaire complexen. De kern van de methode bestaat uit de volgende componenten:

1. Atomaire Bouwblokken (Atom-to-Block):
   In plaats van atomen of tokens (zoals aminozuren) los te behandelen, worden moleculen opgesplitst in chemisch coherente "bouwblokken". Dit omvat canonieke eenheden (aminozuren, nucleobasen) en frequente fragmenten (gegraven uit ChEMBL voor kleine moleculen). Dit behoudt chemische structuurpriors terwijl atomaire resolutie wordt bewaard.

2. All-Atom Variational Autoencoder (VAE):
   Een VAE leert een omkeerbare mapping tussen de volledige atomaire geometrie en een compacte, lage-dimensionale latente ruimte. Atomen worden gecodeerd in latente punten die zowel lokale atomaire omgevingen als chemische priors samenvatten.

3. Latente Diffusiemodel:
   Generatie vindt plaats in deze latente ruimte via een diffusieproces. Het model genereert puntenwolken van bouwblokken die zijn geconditioneerd op de atomaire omgeving van het doelwit (het bindingsgebied). Vervolgens worden deze punten gedecodeerd naar volledige atomaire structuren.

4. Programmeerbare Grafische Prompts:
   Een uniek kenmerk is de mogelijkheid om de generatie te sturen via grafische prompts. Gebruikers kunnen chemische samenstelling, topologie (bijv. cyclisatie) en geometrische constraints (bijv. covalente bindingen, ankerresiduen) definiëren. Dit gebeurt via node- of edge-level instructies in de latente ruimte, wat flexibele aanpassingen mogelijk maakt zonder het model opnieuw te hoeven trainen.

Belangrijkste Bijdragen

• Unificatie van Modaliteiten: Het eerste framework dat kleine moleculen, peptiden en grote biologica (zoals nanobodies) succesvol ontwerpt binnen één enkel, atomaire-resolutie model.
• Transfer Learning: Het bewijs dat interactiepatronen en fysieke beperkingen over modaliteiten heen kunnen worden overgedragen, wat leidt tot verbeterde prestaties voor elke individuele modaliteit.
• Programmeerbaarheid: De introductie van grafische prompts voor fijnmazige controle over chemie, topologie en geometrie, waardoor ontwerpen mogelijk zijn die buiten de trainingsverdeling liggen (bijv. niet-canonical aminozuren).
• Generalisatie: Het model toont sterke zero-shot generalisatie naar volledig ongeziene targets, waaronder RNA, DNA, glycans en gefosforyleerde sites, zonder dat deze tijdens het trainen zijn gezien.

Resultaten

1. In silico Evaluatie:

• AnewOmni presteerde consistent beter dan state-of-the-art modaliteit-specifieke modellen op publieke benchmarks voor kleine moleculen, peptiden en antilichamen.
• Het model herstelde 50-70% van de native interacties bij generatie voor dezelfde bindingsplek, ongeacht de gebruikte modaliteit.
• Zero-shot Generalisatie: Het model slaagde erin om bindingsmoleculen te genereren voor RNA/DNA en glycans met succespercentages van 60-75% (gebaseerd op bindingsenergie). Op een nieuw RNA-small molecule dataset bereikte het een AUC van 0,77 in het onderscheiden van bindende van niet-bindende paren, zonder ooit RNA-gegevens te hebben gezien tijdens training.

2. Experimentele Validatie: KRAS G12D:
Het model ontwierp binders voor de uitdagende "switch II" pocket van KRAS G12D (een "undruggable" target):

• Kleine Moleculen: Ontwikkelde de novo inhibitors met nieuwe scaffolds (Tanimoto-similariteit van 0,12-0,15 met bestaande inhibitors). Twee van de drie gesynthetiseerde verbindingen toonden IC50-waarden van respectievelijk 24 µM en 36 µM.
• Peptiden: Ontwierp lineaire en cyclische peptiden. Success rates waren 23% voor lineaire en 35% voor cyclische peptiden (IC50 < 100 µM), met de beste lineaire peptiden tot 2,37 µM. Het succes van cyclische peptiden (niet in trainingsdata) toont de kracht van de programmeerbare prompts.
• Nanobodies: Bereikte een succesrate van 75% (bij selectie op structurele consistentie) met een beste dissociatieconstante (Kd) van 587 nM.

3. Experimentele Validatie: PCSK9:

• Orthostere Peptiden: Ontwierp peptiden die de PCSK9-LDLR interactie blokkeren, met een successrate van 57% en een beste Kd van 3,19 µM.
• Allosterische Kleine Moleculen: Gebruikmakend van AlphaFold3 om een cryptisch allosterisch bindingspocket te identificeren, ontwierp het model kleine moleculen die de secretie van PCSK9 remmen. Drie van de tien geteste verbindingen toonden binding (Kd < 10 µM).
• Structuurbevestiging: De kristalstructuur van een ontworpen kleine molecule (PCSK9-compound-3) in complex met PCSK9 werd opgelost. De experimentele bindingstas (RMSD) stemde extreem nauwkeurig overeen met de door AnewOmni gegenereerde structuur (RMSD = 0,92 Å).

Betekenis en Conclusie

AnewOmni vertegenwoordigt een doorbraak in het veld van computationele drugontwikkeling door te bewijzen dat een unificerend, atomaire-resolutie generatief model effectief kan zijn voor diverse moleculaire schalen. Het paper toont aan dat:

1. Gemeenschappelijke fysische principes van moleculaire herkenning kunnen worden geleerd en overgedragen tussen verschillende modaliteiten.
2. Generatieve modellen kunnen generaliseren naar scenario's waar data schaars is of waar menselijke intuïtie tekortschiet (zoals allosterische pockets en niet-canonical chemie).
3. Het mogelijk is om functionele moleculen te ontwerpen die variëren van kleine chemische entiteiten tot grote biologica binnen één enkel raamwerk, wat een stap is richting een universeel "molecular reasoning engine".

De succesvolle experimentele validatie, inclusief de hoge nauwkeurigheid van de voorspelde bindingsposities (RMSD < 1 Å), bevestigt de praktische bruikbaarheid van dit framework voor het ontwerpen van therapeutische kandidaten voor complexe, traditioneel moeilijk aan te pakken targets.