Single-Pass Discrete Diffusion Predicts High-Affinity Peptide Binders at >1,000 Sequences per Second across 150 Receptor Targets

⚕️

Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Each language version is independently generated for its own context, not a direct translation.

De "Snelste Ontwerper" voor Medicijnen: Hoe een AI duizenden nieuwe medicijnen in seconden bedenkt

Stel je voor dat je een slot hebt (een ziekte of een virus) en je moet een sleutel maken (een medicijn) die er perfect in past. In het verleden was dit als het maken van een sleutel met de hand: je moest eerst het slot van alle kanten bekijken, een schets maken, het metaal smeden, testen, en als het niet paste, opnieuw beginnen. Dit kon dagen of weken duren voor één enkele sleutel.

Deze paper introduceert LigandForge, een nieuwe AI die dit proces volledig verandert. Het is alsof we van handmatig smeden zijn gegaan naar een 3D-printer die duizenden perfecte sleutels per seconde produceert.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Geheime Recept" in plaats van het "Bouwen"

Normaal gesproken proberen computers eerst een 3D-model van de sleutel te bouwen, kijken of hij past, en proberen het dan weer. Dat is traag.

LigandForge doet het anders. Het heeft tijdens zijn "opleiding" (training) geleerd wat de wiskunde van het vasthouden is. Het heeft duizenden voorbeelden gezien van hoe moleculen elkaar vastpakken (zoals magneten die aan elkaar kleven).

De analogie: Stel je voor dat je een meesterkok bent die duizenden recepten heeft geproefd. Je hoeft niet meer te meten hoeveel gram zout er in een soep moet; je proeft het gewoon en weet direct: "Dit is perfect." LigandForge "weet" direct welke aminozuur-reeks (de ingrediënten) perfect past in het gat van het virus, zonder eerst een 3D-model te tekenen.

2. De "Snelheidswet" (10.000x sneller!)

De paper vergelijkt LigandForge met andere bekende methoden (zoals BoltzGen en BindCraft).

Andere methoden: Ze zijn als een slak die een berg beklimt. Ze bouwen één ontwerp, kijken of het werkt, en als het mislukt, beginnen ze opnieuw. Het duurt uren of dagen om één goed ontwerp te vinden.
LigandForge: Dit is een Formule 1-auto. Het kan 700 tot 1.000 ontwerpen per seconde produceren op één computerchip.
Het resultaat: In de tijd dat een andere computer één ontwerp maakt, heeft LigandForge al 150.000 ontwerpen gemaakt. Het is alsof je in 3 minuten een hele fabriek vol met nieuwe medicijnen hebt geproduceerd, terwijl de concurrenten nog maar net de eerste schets hebben getekend.

3. De "Twee-oogjes" Strategie (Structuur vs. Kracht)

Vaak kijken wetenschappers alleen naar hoe mooi een ontwerp eruitziet (de structuur). Maar een mooi ogende sleutel kan nog steeds niet openen.
LigandForge gebruikt twee meetinstrumenten:

iPSAE (De "Pasvorm"): Past de sleutel er fysiek in?
DeltaForge (De "Klemkracht"): Hoe sterk blijft de sleutel vastzitten?

De paper ontdekte iets verrassends: soms zijn de "mooiste" ontwerpen (hoge structuur-score) niet de sterkste. De "minder perfecte" ontwerpen (die er misschien wat rommelig uitzien) kunnen juist enorm sterk vasthouden. LigandForge kijkt naar beide tegelijk, waardoor het veel meer goede kandidaten vindt die andere methoden zouden hebben weggegooid.

4. Het "Onmogelijke" Slot openen

De echte kracht van LigandForge is dat het werkt op sleutels die voorheen als "onoplosbaar" werden beschouwd.

Voorbeeld: Er zijn bepaalde deuren (zoals PD-L1 of TNF-α) waar andere methoden geen sleutels voor konden maken. LigandForge slaagde erin om voor deze moeilijke doelen nieuwe, sterke medicijnen te bedenken.
De GPCR-Doorbraak: Veel medicijnen werken op de "deuren" in onze hersenen (GPCR's). Tot nu toe dachten wetenschappers dat je daar alleen kleine chemische stofjes voor kon gebruiken, geen grote peptiden (eiwitten). LigandForge heeft bewezen dat je deze deuren wél kunt openen met grote sleutels, zelfs als er geen natuurlijke voorbeelden van bestaan. Het heeft de "onmogelijke" deuren geopend.

5. Waarom is dit belangrijk voor jou?

Dit is niet zomaar een snellere computer. Het verandert de manier waarop we medicijnen vinden:

Van "Zoek en Vind" naar "Verken en Kies": Vroeger moesten we hopen dat we één goed ontwerp vonden. Nu kunnen we duizenden ontwerpen maken, de beste eruit kiezen en die testen.
Kosten en Tijd: Het maakt het ontwerpen van medicijnen goedkoper en sneller. Wat vroeger maanden duurde, kan nu in minuten gebeuren.
Nieuwe Kansen: Het opent de deur voor medicijnen tegen ziektes die we nu nog niet kunnen behandelen, omdat we eindelijk de "sleutels" kunnen maken die daarvoor nodig zijn.

Kortom:
LigandForge is als een super-snelle, slimme ontwerper die niet meer hoeft te "tekenen" voordat hij bouwt. Hij kent de regels van de natuur zo goed, dat hij direct de perfecte medicijnen bedenkt. Het is een enorme stap voorwaarts in de strijd tegen ziektes, waarbij snelheid en kwaliteit hand in hand gaan.

Let op: Hoewel de computerontwerpen er fantastisch uitzien, moeten ze in het echte leven nog getest worden in een laboratorium om te bewijzen dat ze veilig en effectief zijn voor mensen.

Each language version is independently generated for its own context, not a direct translation.

Probleemstelling

Traditionele methoden voor de novo peptidedesign kampen met een fundamenteel compromis tussen snelheid en nauwkeurigheid. Bestaande benaderingen zijn vaak afhankelijk van 3D-structuurvoorspelling (zoals AlphaFold of Rosetta) tijdens het generatieproces. Dit leidt tot de volgende beperkingen:

Laag doorvoer: Methoden zoals BindCraft (die gradient descent door AlphaFold2 uitvoert) of BoltzGen (die backbones genereert en vervolgens sequenties terugvindt via inverse folding) vereisen minuten tot uren per kandidaat. Dit beperkt het verkennen van de sequentieruimte tot enkele honderden ontwerpen per target.
Architecturale afhankelijkheid: De koppeling van generatie aan structuurvoorspelling introduceert een "inverse folding bottleneck". Het genereren van een structuur en het daaropvolgend terugvinden van een sequentie kan leiden tot een disconnectie waarbij de uiteindelijke sequentie de oorspronkelijke bindingscontacten niet behoudt.
Structuurbias: Backbonesampling-methoden vertonen een sterke bias naar $\alpha$ -helices, omdat dit de laagste energietoestand is in coördinatenruimte. Hierdoor worden andere secundaire structuren (zoals $\beta$ -sheets of coil-dominante structuren) en bindingsmodi (zoals diep in orthostere zakken van GPCRs) vaak gemist.

Methodologie: LigandForge en DeltaForge

Het artikel introduceert LigandForge, een nieuw paradigma dat de afhankelijkheid van runtime-structuurvoorspelling elimineert, ondersteund door DeltaForge, een thermodynamische scoring-engine.

1. LigandForge: Single-Pass Discrete Diffusion

LigandForge is een generatief model dat gebaseerd is op discrete gemaskerde diffusie in de ruimte van aminozuur-tokens.

Architectuur: Het model bestaat uit een Pocket Encoder (4 lagen transformer) die de 3D-geometrie van het receptorbindingszakje encodeert (48-dimensionale per-residue features), en een Sequence Denoiser (6 lagen transformer) die sequenties genereert.
Training met Thermodynamische Supervisie: Het cruciale innovatieve aspect is dat het model tijdens het trainen wordt blootgesteld aan expliciete thermodynamische supervisie. In plaats van alleen sequenties te leren, leert het model per-residue waterstofbruggen, van der Waals-contacten, zoutbruggen en globale bindingsvrije energie ( $\Delta G$ ) te voorspellen. Deze fysische kennis wordt "gecompileerd" in de modelgewichten.
Inferentie: Tijdens het genereren (inference) voert het model een enkele forward pass uit. Het neemt de geometrie van het receptorzakje als input en genereert direct een aminozuursequentie. Er is geen structuurvoorspelling, geen inverse folding en geen iteratieve verfijning nodig.
Doorvoer: Op een enkele NVIDIA B200 GPU kan LigandForge >700 sequenties per seconde genereren (pieken >1.000), wat een 10.000-voudige verbetering is ten opzichte van BoltzGen en een 1.000.000-voudige verbetering ten opzichte van BindCraft.

2. DeltaForge: Thermodynamische Scoring

Om de gegenereerde sequenties te valideren, werd DeltaForge ontwikkeld, een in Rust geschreven scoring-engine.

Functie: DeltaForge voorspelt de bindingsvrije energie ( $\Delta G$ ) en de dissociatieconstante ( $K_d$ ) op basis van 17 structurele kenmerken van het peptide-receptorcomplex (zoals waterstofbruggen, hydrofobe contacten, zoutbruggen en vormcomplementariteit).
Validatie: Het model is getraind en gevalideerd op de PPB-Affinity benchmark (4.347 complexen). Het bereikte een Pearson-correlatie van r = 0.83 voor peptide-complexen, wat significant beter is dan bestaande methoden zoals PRODIGY (r = 0.35 op dezelfde dataset).
Snelheid: DeltaForge kan complexen in milliseconden scannen, wat essentieel is voor het verwerken van de enorme output van LigandForge.

Belangrijkste Resultaten

1. Unprecedented Doorvoer en Schaal

De auteurs genereerden 490.691 peptiden over 150 verschillende receptor-doelen.
Van deze gegenereerde peptiden werden 16.475 structureel gevalideerd met Boltz-2.
Op een enkele GPU werden in 3,4 minuten 150.000 kandidaten gegenereerd voor een benchmark van vijf moeilijke doelen.

2. Prestaties op Moeilijke Doelen

LigandForge werd getest op vijf historisch moeilijke doelen waar andere methoden faalden: TNF- $\alpha$ , PD-L1, VEGF-A, IL-7R $\alpha$ en HER2.

PD-L1: Waar BindCraft een 0% succesrate rapporteerde, genereerde LigandForge 62 "goede" binders (iPSAE $\ge$ 0.5) met een voorspelde $K_d$ van ~88 nM.
TNF- $\alpha$ : Waar AlphaProteo faalde, produceerde LigandForge een elite hit met een voorspelde $K_d$ van 1,7 nM.
Algemeen: Voor 73% van de geteste doelen werden voorspelde binders met een $K_d < 100$ nM gevonden; voor 30% was de voorspelde $K_d < 1$ nM.

3. Structurele Diversiteit

In tegenstelling tot backbonesampling-methoden die voornamelijk $\alpha$ -helices produceren (BindCraft: 93%, BoltzGen: 77%), toonde LigandForge een brede diversiteit:

69% $\alpha$ -helix
9% $\beta$ -sheet
10% coil-dominant
8% multi-domein
Deze diversiteit stelt het model in staat om complexe bindingsmodi aan te nemen die voor andere methoden ontoegankelijk zijn.

4. Orthostere Zakken en Multimeren

GPCRs en Transporters: LigandForge slaagde erin peptiden te genereren die diep in de orthostere zakken van aminerge GPCRs (zoals DRD2 en HTR2A, die geen natuurlijke peptideliganden hebben) en transporters (SLC17A7) embedden. Deze bindingsmodi scoren vaak laag op iPSAE (structuurvoorspellingvertrouwen) maar hoog op thermodynamische score ( $\Delta G$ ), wat aantoont dat iPSAE en $\Delta G$ orthogonale metingen zijn.
Multimeren: Het model slaagde erin bivalente binders te ontwerpen voor heterodimeren (CD8A-CD8B) en homodimeren (KIT), waarbij het peptide gelijktijdig contact maakt met meerdere receptorketens.

5. De "BindCraft Rejection Paradox"

Een opmerkelijke bevinding was dat BindCraft's eigen pipeline veel ontwerpen verwierp die door een onafhankelijke structuurvoorspeller (Boltz-2) en DeltaForge als hoogwaardig werden beoordeeld. Dit suggereert dat de strikte clash-detectie en MPNN-stappen in bestaande pipelines thermodynamisch gunstige binders onterecht verwijderen. LigandForge omzeilt dit probleem door direct sequenties te genereren zonder tussenliggende structurele verfijning.

Bijdragen en Betekenis

Paradigmaverschuiving: Het artikel demonstreert dat het mogelijk is om bindingsfysica direct in modelgewichten te compileren tijdens training, waardoor iteratieve structuurvoorspelling tijdens inferentie overbodig wordt. Dit verschuift het paradigma van "optimalisatie van enkele kandidaten" naar "systematische verkenning van sequentieruimte".
Snelheid als Strategisch Voordeel: De doorvoer van >700 sequenties per seconde maakt het mogelijk om niet alleen één target te optimaliseren, maar complete portfolios van doelen in minuten te screenen. Dit verandert de aard van het designproces van handmatig naar hoogwaardig geschaald.
Dual-Metric Prioritering: De auteurs introduceren een nieuwe strategie voor het selecteren van kandidaten: het combineren van structureel vertrouwen (iPSAE) en thermodynamische gunstigheid ( $\Delta G$ ). Het blijkt dat "goede" binders (iPSAE 0.5–0.8) vaak thermodynamisch sterker zijn dan "elite" binders (iPSAE $\ge$ 0.8), wat betekent dat strikte filters op iPSAE veel veelbelovende kandidaten zouden verwijderen.
Toegang tot "Undruggable" Targets: Door de structuurvrije generatie en het vermogen om diepe zakken te benaderen, opent LigandForge nieuwe therapeutische ruimtes voor targets zoals aminerge GPCRs en transmembrane transporters, die tot nu toe moeilijk toegankelijk waren voor peptidedesign.

Conclusie:
LigandForge vertegenwoordigt een doorbraak in computergestuurd peptidedesign door de snelheid en schaalbaarheid van generatieve AI te combineren met fysisch onderbouwde thermodynamische supervisie. Hoewel de resultaten momenteel computergestuurd zijn en experimentele validatie vereisen, biedt de methode een ongekend potentieel voor het snel ontwerpen van hoge-affiniteit binders voor een breed scala aan therapeutische doelen.