Understanding Conformational Transition of Macrocyclic Peptides through Deep Learning

Deze paper introduceert ICoN-v1, een deep learning-model dat is getraind op moleculaire dynamica-data om de onderliggende fysica van conformationele overgangen in cyclische peptiden te leren en zo gladde, atomaire overgangspaden en mechanistische inzichten voor het geneesmiddelenontwerp te genereren.

De kern

De Dansende Ringen: Hoe AI de Bewegingen van Geneesmiddelen Ontdekt

Stel je voor dat je een zeer flexibele, kleine rubberen ring hebt. Deze ring is gemaakt van een keten van blokken (aminozuren). In de wereld van medicijnen zijn dit cyclische peptiden: kleine, ronde moleculen die als potentiële medicijnen kunnen werken. Ze zijn heel slim omdat ze zich kunnen veranderen van vorm om precies in een sleutelgat van een ziekteverwekker te passen.

Maar hier is het probleem: deze ringen bewegen constant. Ze draaien, vouwen en ontplooien zich, net als een danser die een choreografie uitvoert. Wetenschappers willen weten hoe ze die dans doen, want dat bepaalt of het medicijn werkt of niet.

Deze paper introduceert een nieuwe slimme computerprogramma genaamd ICoN-v1 (Internal Coordinate Net). Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: Een Foto vs. Een Film

Vroeger hadden wetenschappers twee manieren om naar deze moleculen te kijken:

• Röntgenfoto's (X-ray): Dit gaf je een statische foto van de ring. Je zag hoe hij eruitzag, maar niet hoe hij bewoog.
• Computersimulaties (MD): Dit was als een film, maar een heel saaie, trage film. De ringen bewogen zo langzaam dat je vaak de spannende momenten (waar ze van vorm veranderden) miste. Het was alsof je probeerde een dansoptreden te zien, maar je kreeg alleen maar beelden van de start- en finishpositie, met een gat in het midden waar de dans plaatsvond.

2. De Oplossing: De "Tijdmachine" van ICoN-v1

De onderzoekers hebben een kunstmatige intelligentie (AI) getraind om de "dans" van deze ringen te begrijpen. Ze hebben de AI gevoed met duizenden beelden van de ringen in beweging.

In plaats van te kijken naar de positie van elk atoom in de ruimte (wat heel complex is), leert de AI de rotaties van de ringen. Denk hierbij aan een poppetje met gewrichten. De AI leert niet waar de knie zit, maar hoe de knie buigt en draait.

• De Latente Ruimte (Het Magische Kaartje): De AI maakt een soort 3D-kaart van alle mogelijke vormen die de ring kan aannemen. Elke vorm is een punt op deze kaart.
• De Kortste Weg (MEP): Als je wilt weten hoe de ring van vorm A naar vorm B gaat, kun je niet zomaar een rechte lijn trekken door de lucht. De ring moet een pad volgen dat energie bespaart, net zoals een wandelaar een pad volgt dat niet te steil is. De AI berekent deze Minimale Energie Pad (MEP).

3. Wat Ontdekte Ze? (De Magie)

Door deze "tijdmachine" te gebruiken, konden ze zien wat er gebeurt tussen de start en de finish. Ze ontdekten drie belangrijke dingen:

• De Dansstappen (Gemeenschappelijke Bewegingen): Om van vorm te veranderen, moeten bepaalde onderdelen van de ring samenwerken. Het is alsof een groep dansers synchroon moet bewegen om een pirouette te maken. De AI liet zien welke blokken (aminozuren) samen draaien om de vorm te veranderen.
• Het Verborgen Tussentijd: De AI vond "tussenvormen" die in de echte simulaties te kort leefden om te worden gezien. Het is alsof je een film hebt van een springer, en de AI de frames invult die je niet zag, zodat je precies ziet hoe hij zich in de lucht vouwt.
• De Kracht van een Klein Verandering: Ze keken naar wat er gebeurt als je één lettertje in het DNA (of één blokje in de ring) verandert.
  • Voorbeeld: Als je een blokje verandert (bijvoorbeeld van Leucine naar Isoleucine), lijkt het op het eerste gezicht niets uit te maken. Maar de AI liet zien dat dit de hele dans verandert. Het is alsof je in een dansgroepje één persoon een andere schoen geeft; plotseling moet de hele groep een ander patroon dansen om niet te struikelen.
  • Ze zagen zelfs dat sommige ringen hun vorm kunnen veranderen door een speciale "knik" in de peptidewand te maken (een omega-binding), iets wat in normale eiwitten bijna onmogelijk is zonder hulp. Dit maakt cyclische peptiden superflexibel.

4. Waarom is dit Belangrijk?

Stel je voor dat je een slot wilt openen. Je hebt de sleutel (het medicijn), maar je weet niet hoe je hem moet draaien om hem te laten vallen.
Met ICoN-v1 kunnen ontwerpers nu precies zien:

• Welke beweging de sleutel moet maken.
• Welke onderdelen van de sleutel daarbij helpen.
• Wat er gebeurt als je de sleutel een beetje aanpast.

Dit helpt hen om beter medicijnen te ontwerpen die precies in het juiste slot passen, zelfs voor ziektes die tot nu toe "onbehandelbaar" werden genoemd.

Samenvattend:
Deze paper is als het vinden van de choreografie van een dans die tot nu toe alleen maar als statische foto's bestond. De AI (ICoN-v1) heeft de bewegingen tussen de statische foto's ingevuld, waardoor we nu begrijpen hoe en waarom deze kleine medicijntjes hun vorm veranderen. Dit opent de deur naar het ontwerpen van krachtigere en slimmer geneesmiddelen.

Technische samenvatting

Probleemstelling

Cyclische peptiden zijn veelbelovende therapeutische middelen vanwege hun vermogen om "undruggable" eiwitdoelen te bereiken en hun unieke eigenschappen op het gebied van membraanpermeabiliteit en bindingsaffiniteit. Hun functionele diversiteit wordt grotendeels bepaald door hun conformationele dynamiek: het vermogen om over te schakelen tussen verschillende lokale energie-minima via gecoördineerde rotaties van torsiehoeken (dihedrale hoeken).

Bestaande methoden hebben echter beperkingen:

• Experimentele technieken (zoals X-ray kristallografie en NMR) bieden vaak statische structuren of onvolledige ensemble-gegevens, waardoor de tijdsafhankelijke overgangspaden en tussenliggende toestanden onzichtbaar blijven.
• Moleculaire Dynamica (MD) simulaties kunnen wel ensembles genereren, maar kampen met het probleem van het "sampling" van zeldzame gebeurtenissen. Conformationele overgangen hebben vaak hoge energiebarrières, waardoor conventionele MD niet efficiënt genoeg is om de volledige overgangspaden en transient states te vangen.
• Bestaande Deep Learning-modellen gebruiken vaak grofkorrelige (coarse-grained) of alleen-backbone representaties, waardoor cruciale interacties van zijketens en waterstofbruggen verloren gaan. Andere modellen gebruiken volledige atomaire details maar missen het vermogen om gecoördineerde, collectieve torsierotaties accuraat te modelleren.

Er is dus een behoefte aan een methode die de onderliggende fysica van cyclische peptiden leert, in staat is om volledige atomaire overgangspaden te genereren, en mechanistische inzichten biedt in hoe sequentie en chiraliteit deze dynamiek beïnvloeden.

Methodologie: ICoN-v1

De auteurs introduceren ICoN-v1 (Internal Coordinate Net version 1), een deep learning-model dat is ontworpen om de fysica van conformationele overgangen te leren.

1. Data-voorbereiding en Representatie:

   • Het model wordt getraind op trajecten van all-atom MD-simulaties met expliciet oplosmiddel.
   • In plaats van Cartesische coördinaten worden Bond-Angle-Torsion (BAT) interne coördinaten gebruikt. Dit verwijdert 6 externe vrijheidsgraden (translatie/rotatie).
   • Om de complexiteit te verminderen en de fysica te focussen, worden alleen primaire torsiehoeken gebruikt als input. Dit reduceert het aantal features aanzienlijk terwijl de structurele dynamiek behouden blijft.
   • De dataset wordt voorverwerkt door energie-minimalisatie toe te passen om ruis (zoals methylrotaties) te verwijderen en door duplicaten te filteren op basis van een RMSD-cutoff van 1,5 Å.

2. Architectuur:

   • ICoN-v1 is gebaseerd op een Transformer-architectuur (6 lagen, 8 attention-heads per laag).
   • Encoder: Mappt een conformatie naar een compacte 3D-latente ruimte.
   • Decoder: Reconstructeert de volledige atomaire conformatie vanuit een punt in deze latente ruimte.
   • De input-torsiehoeken worden gemapt naar een eenheidscirkel $(\sin \theta, \cos \theta)$ om discontinuïteitsproblemen bij $\pm 180^\circ$ op te lossen.

3. Trainingsstrategie en Loss-functies:

   • Het model wordt getraind met een combinatie van vier loss-functies om zowel geometrische nauwkeurigheid als fysieke realisme te garanderen:
     • Torsion Loss: MSE tussen voorspelde en input torsiehoeken.
     • Cartesian Loss: MSE tussen de gereconstrueerde en originele atomaire coördinaten.
     • Energy Loss: Berekening van de potentie-energie (bindingen, hoeken, torsies, vdW, elektrostatiek, GB-oplosmiddel) van de gereconstrueerde structuren. Dit dwingt het model om fysiek realistische, energie-minimale toestanden te leren.
     • Interpolated Energy Loss: Tijdens het trainen worden willekeurige punten geïnterpoleerd in de latente ruimte (via Spherical Linear Interpolation - SLERP). De energie van deze geïnterpoleerde structuren wordt ook als loss gebruikt. Dit regulariseert de latente ruimte en zorgt ervoor dat het model fysiek betekenisvolle paden leert, zelfs in gebieden zonder trainingsdata.
   • Een adaptieve weging wordt gebruikt om de bijdrage van de energie-loss dynamisch aan te passen tijdens het trainingsproces.

4. Sampling van Overgangspaden (MEP):

   • Om overgangen tussen lokale minima te vinden, wordt de 3D-latente ruimte geprojecteerd naar 2D via Principal Component Analysis (PCA).
   • Een Minimum Energy Pathway (MEP) wordt bepaald in deze 2D-projection door de energiegradiënt te volgen tussen twee geselecteerde minima (MD1 en MD2).
   • Dit 2D-pad wordt teruggemapt naar de 3D-latente ruimte en geïnterpoleerd om een gladde, continue overgang te genereren die vervolgens wordt gedecodeerd naar atomaire structuren.

Belangrijkste Resultaten

Het model werd getest op twee sets cyclische peptiden: hexacyclische peptiden (cyclo-(TVGGVG) en cyclo-(VVGGVG)) en MYC-targetende macro-bicyclische peptiden met variaties in chiraliteit en mutaties.

1. Validatie en Generalisatie:

   • Het model reconstrueert structuren met een hoge nauwkeurigheid (RMSD < 2 Å voor zware atomen).
   • Cruciaal is dat ICoN-v1 nieuwe, synthetische conformaties kan genereren die niet in de trainingsdata voorkomen, maar die fysiek realistisch zijn. Het leert de onderliggende energie-landschappen.

2. Inzicht in Gecoördineerde Rotaties:

   • Voor de hexacyclische peptiden onthulde de MEP-analyse stapsgewijze overgangen via transient states (T1, T2).
   • Het model identificeerde specifieke concerted torsional rotations (bijv. gelijktijdige rotatie van GLY3/6 en THR1) die de ringpuckering veranderen en waterstofbruggen breken of vormen.
   • Een mutatie van THR naar VAL bleek de intramoleculaire waterstofbruggen te verstoren en het vrije-energieprofiel te herschikken.

3. Effect van Chiraliteit en Sequentie:

   • Bij bicyclische peptiden met dezelfde aminozuursequentie maar verschillende chiraliteit (bijv. S vs R configuratie op het linker), bleek dat ze fundamenteel verschillende overgangspaden volgen om van een open naar een gevouwen toestand te gaan.
   • Hoewel ze uiteindelijk naar dezelfde globale minima kunnen convergeren, gebruiken ze verschillende sets van torsierotaties en doorlopen ze verschillende tussenliggende toestanden.
   • Residuen die niet direct aan het linker zijn gebonden (zoals ALA7 en LEU8) bleken een grote bijdrage (~20 kcal/mol) te leveren aan de energiebarrières en de vorming van de eindconformatie.

4. Effect van Enkele Point Mutaties (Leu vs Ile):

   • De mutatie van LEU naar ILE in een bicyclisch peptide veranderde het mechanisme van conformationele overgang drastisch.
   • Het ILE-variant gebruikte een unieke rotatie van de TRP2 omega-binding (peptidebinding) om cation-pi interacties te verstoren. Dit illustreert dat cyclische peptiden, door hun ringbeperkingen, lagere energiebarrières hebben voor cis-trans isomerisatie dan lineaire eiwitten, waardoor ze flexibeler zijn.
   • De twee varianten (RLE en RIE) volgden verschillende routes om de afstoting tussen positief geladen residuen (ARG5/ARG7) op te lossen, wat leidde tot verschillende stabiele gevouwen toestanden.

Bijdragen en Significantie

• Mechanistisch Inzicht: ICoN-v1 biedt een diep mechanistisch inzicht in hoe en waarom cyclische peptiden van conformatie veranderen, door de specifieke gecoördineerde bewegingen van residuen in kaart te brengen die door traditionele MD vaak gemist worden.
• Ontwerp van Geneesmiddelen: De studie toont aan dat kleine veranderingen (mutaties, chiraliteit) de conformationele landschappen en overgangspaden drastisch kunnen veranderen. Dit is cruciaal voor het rationele ontwerp van cyclische peptiden met verbeterde bindingsaffiniteit en membraanpermeabiliteit.
• Overbrugging van Schalen: Het model combineert de nauwkeurigheid van all-atom simulaties met de snelheid en generalisatievermogen van deep learning, waardoor het mogelijk wordt om zeldzame overgangstoestanden en "chameleongedrag" (aanpassing aan omgeving) te bestuderen.
• Fysiek Geleid Deep Learning: Door energie-gebaseerde loss-functies en interpolatie te integreren, leert het model de onderliggende fysica van moleculaire mechanica, wat het vermijdt om alleen statistische patronen in de data te kopiëren.

Concluderend biedt ICoN-v1 een krachtig nieuw raamwerk om de complexe dynamiek van macrocyclische peptiden te ontrafelen, wat essentieel is voor de ontwikkeling van de volgende generatie therapeutische peptiden.