CROWN: Curated Repository Of Well-resolved Noncovalent interactions

CROWN is een machine learning-klaar dataset van 153.005 eiwit-ligandcomplexen die, door een geautomatiseerd kwaliteitsfilter en een unieke energie-minimalisatiestap, de breedte van grote databases combineert met de structurele nauwkeurigheid van zorgvuldig gecureerde collecties, zonder afhankelijk te zijn van experimentele bindingsaffiniteiten.

De kern

CROWN: De "Grote Schoonmaak" voor Moleculaire Puzzels

Stel je voor dat je een enorme bibliotheek hebt vol met blauwdrukken van hoe medicijnen (de sleutels) in het lichaam werken door zich vast te zetten in eiwitten (de sloten). Deze bibliotheek is de Protein Data Bank (PDB). Het probleem? De bibliotheek is een ware chaos. Sommige blauwdrukken zijn perfect, andere zijn beschadigd, sommige hebben ontbrekende pagina's, en weer andere zijn getekend door verschillende mensen met heel verschillende regels.

Als je een slimme computer (een AI) wilt leren om nieuwe medicijnen te ontwerpen, moet je hem deze blauwdrukken geven. Maar als je de computer de rommelige bibliotheek geeft, leert hij foute patronen. Hij denkt dat een gebroken sleutel normaal is, of dat een slot dat niet helemaal dichtgaat, een goed ontwerp is.

Tot nu toe hadden wetenschappers twee opties:

1. De "Kleine, Perfecte Bibliotheek": Ze namen alleen de allerbeste, handmatig gecontroleerde blauwdrukken. Dit was veilig, maar er waren er maar weinig (zoals een paar duizend). De computer leerde hierdoor niet genoeg variatie.
2. De "Enorme, Rommelige Bibliotheek": Ze namen alles wat er was (bijna 650.000 blauwdrukken). Er was veel variatie, maar de rommel (fouten, ontbrekende stukjes) was zo groot dat de computer erdoor in de war raakte.

CROWN is de oplossing.

De auteurs van dit papier hebben een nieuwe database gemaakt, genaamd CROWN (Curated Repository Of Well-resolved Non-covalent interactions). Je kunt CROWN zien als een ultra-slimme, robotische schoonmaakdienst die de enorme rommelige bibliotheek binnenstapt en alles in één keer op orde brengt.

Hier is hoe ze dat deden, vertaald in alledaagse termen:

1. De Grote Filter (Het Uitzoeken)

Stel je voor dat je een berg oude kleding wilt sorteren.

• Filter 1 (Kwaliteit): De robot gooit alle kleding weg die te versleten is of waar je de stof niet goed kunt zien (slechte kristaloplossing). Alleen de heldere, scherpe foto's blijven over.
• Filter 2 (De Sleutel): Ze gooien alle "sleutels" weg die geen echte medicijnen zijn, zoals zoutkristallen of metalen onderdelen die niet in de krachtige computerprogramma's werken. Alleen de echte, werkzame moleculen blijven.
• Filter 3 (Het Slot): Ze controleren of het "slot" (het eiwit) rondom de sleutel volledig is. Als er stukjes ontbreken in de buurt van de sleutel, wordt de blauwdruk weggegooid. Je kunt geen slot maken als er gaten in zitten.

2. De Reparatie-werkplaats (Het Oplossen)

Nu de goede stukken eruit zijn, gaan ze aan het werk om de fouten te herstellen.

• Het Opvullen: Als er een gat in een blauwdruk zit (een ontbrekend atoom), vult de robot het aan met het meest waarschijnlijke stukje.
• Het Rechtzetten: Soms staan twee atomen te dicht op elkaar (alsof twee mensen in een kleine auto tegen elkaar aan drukken). De robot duwt ze netjes uit elkaar zodat ze niet meer botsen.
• De Huidskleur: Ze zorgen dat alle atomen de juiste lading hebben, alsof ze de kleding wassen en strijken zodat ze er fris uitzien (protoneren).

3. De Magische "Vaste maar Vrije" Houding (De Energie-minimalisatie)

Dit is het meest unieke stukje van CROWN.
Stel je voor dat je een leemmodel van een mens hebt. Je wilt dat het model perfect staat, maar je wilt ook dat het niet "vastgevroren" zit in een rare houding.

• De robot gebruikt een speciale magische lijm.
• Voor het grote skelet (het eiwit) is de lijm heel hard. Het skelet mag zich niet verroeren; het moet precies op de plek blijven waar de wetenschappers het oorspronkelijk hebben gefotografeerd.
• Maar voor de sleutel en de directe omgeving (de binding) is de lijm zacht en flexibel (een "flat-bottomed" pot).
  • Als de atomen al goed zitten, mogen ze niets doen.
  • Als ze een beetje in de war zitten (bijvoorbeeld door een kleine fout in de foto), mag de robot ze een klein beetje verschuiven om ze "ontspannen" te maken, zonder dat ze ver weg van de oorspronkelijke foto komen.

Dit zorgt ervoor dat de blauwdrukken eruitzien alsof ze allemaal door dezelfde perfecte architect zijn getekend, terwijl ze toch de echte, experimentele data behouden.

Waarom is CROWN zo geweldig?

• Grootte: Ze hebben 650.000 blauwdrukken ingevoerd en 153.000 van de allerbeste, opgepoetste versies overgehouden. Dat is vier keer zo veel als de vorige beste verzamelingen.
• Veelzijdigheid: De AI kan nu leren van een veel bredere reeks organismen en medicijntypes, niet alleen van de "standaard" medicijnen.
• Geen "Antwoorden" nodig: Vaak hebben wetenschappers een lijstje nodig met "hoe goed werkt dit medicijn?" (de bindingsterkte). CROWN heeft dat niet nodig. Ze kijken puur naar de vorm: "Hoe past de sleutel in het slot?" Als de vorm perfect is, is het een goed voorbeeld, zelfs als we niet weten hoe sterk de binding is. Dit maakt de database veel groter.

Conclusie

CROWN is als het bouwen van een perfecte, schone en enorme trainingshal voor AI-modellen. Het zorgt ervoor dat de computers die nieuwe medicijnen gaan ontwerpen, niet meer hoeven te worstelen met rommelige data, maar kunnen leren van de schoonste, meest diverse en meest realistische voorbeelden die de wetenschap heeft.

Het resultaat? Een database die niet alleen groter is, maar ook betrouwbaarder, zodat de AI's van de toekomst sneller en slimmer nieuwe medicijnen kunnen vinden.

Technische samenvatting

1. Het Probleem

De ontwikkeling van machine learning-modellen voor eiwit-ligand-interacties wordt fundamenteel beperkt door de kwaliteit en diversiteit van beschikbare structurele data. Bestaande databases vertegenwoordigen een onbevredigende afweging:

• Klein, maar hoogwaardig: Gecurateerde verzamelingen zoals PDBBind en HiQBind bieden hoge structurele betrouwbaarheid, maar dekken slechts een klein deel van de Protein Data Bank (PDB). Dit beperkt de generalisatievermogen van modellen.
• Groot, maar onzuiver: Grootschalige bronnen zoals PLInder bieden brede dekking (bijna 650.000 entiteiten), maar missen strenge kwaliteitscontrole. Ze bevatten vaak structurele artefacten, onopgeloste atomen, steric clashes en onjuiste bindingsordes, wat systematische ruis introduceert in trainingsdata.
• Afhankelijkheid van affiniteitsdata: Veel bestaande benchmarks zijn gebaseerd op experimentele bindingsaffiniteiten. Deze data zijn echter schaars, heterogeen in meetcondities en sluiten duizenden goed opgeloste structuren uit waarvoor geen affiniteitsmetingen bestaan.

2. Methodologie

CROWN is een volledig geautomatiseerd pre-processing pipeline die de PLInder-database (versie 2024-06/v2) transformeert tot een machine learning-klaar dataset. Het proces start met 649.915 systemen en doorloopt vijf kwaliteitsfilters en twee structurele verwerkingstappen:

Kwaliteitsfilters:

1. Structuurkwaliteit: Behoudt alleen X-ray kristalstructuren met een resolutie van ≤ 3.0 Å. Liganden moeten voldoen aan strenge criteria voor elektronendichtheid (RSR < 0.3 en RSCC > 0.8) en geen onopgeloste zware atomen hebben.
2. Ligandkwaliteit: Verwijdert kristallisatie-artefacten, ionen, covalente liganden en zeldzame elementen (die niet ondersteund worden door de gebruikte force field). Uitzonderingen zijn specifieke metaalcofactoren (HEM, MGD, SF4).
3. Pocketkwaliteit: Verwijdert complexen waarbij atomen binnen 6 Å van het ligand ontbreken of niet-standaard aminozuren in de bindingszak aanwezig zijn.
4. Interactiekwaliteit: Filtert op ligandgrootte (10-100 zware atomen) en vereist >10 nauwe contacten (<4 Å) met het eiwit. Redundante entiteiten (identieke bindingsposities) worden verwijderd.
5. Complexstabiliteit: Na energie-minimalisatie worden entiteiten behouden die een RMSD < 0.6 Å (ligand/pocket) en < 0.2 Å (eiwitstijf) behouden.

Structurele Verwerking:

• Structuurcorrecties (Processing 1): Verwijdert artefacten, kiest de hoogste bezettingsconformer, herbouwt ontbrekende atomen/residuen, repareert covalente bindingen en lost steric clashes op.
• Gedwongen Energie-minimalisatie (Processing 2): Dit is een uniek kenmerk van CROWN.
  • Protonatie: Toewijzing van protonatietoestanden bij pH 7.4.
  • Force Field: Toepassing van ff19SB (eiwit), OL21 (nucleïnezuren), OPC3 (water) en OpenFF 2.2.0 (liganden).
  • Minimalisatieprotocol: Gebruik van een constrained energy minimisation met aangepaste "flat-bottomed" beperkingen.
    • Atomen buiten de pocket worden stijf vastgehouden (harmonic restraint).
    • Atomen binnen de pocket worden onderworpen aan een zachte, vlakke bodem-potentiaal (tot 0.25 Å verplaatsing zonder straffing). Dit lost interne spanning op zonder de experimenteel waargenomen bindingsgeometrie te vervormen. Waterstofatomen worden vrij gelaten voor optimalisatie van het waterstofbruggennetwerk.

3. Belangrijkste Bijdragen

• Schaal en Diversiteit: CROWN bevat 153.005 geoptimaliseerde complexen. Dit vertegenwoordigt een ongeveer viervoudige toename in eiwit- en taxonomische diversiteit ten opzichte van PDBBind en HiQBind.
• Geometrie-gerichte filosofie: In tegenstelling tot affiniteits-gebaseerde datasets, behandelt CROWN de 3D-atomaire rangschikking als een zelf-consistente bron van informatie. Dit maakt het mogelijk om duizenden structuren op te nemen zonder dat er experimentele affiniteitsdata voorhanden zijn.
• Unieke Minimalisatiestap: De introductie van de gedwongen energie-minimalisatie met flat-bottomed restraints is uniek voor bestaande datasets. Het harmoniseert de heterogene verfijningspraktijken van verschillende kristallografen tot een uniform dataset zonder de experimentele waarheid te verdraaien.
• Volledige Data-annotatie: Elk item in CROWN heeft verifieerbare kwaliteitsmetrieken (RSR/RSCC) en is vrij van structurele fouten zoals ontbrekende bindingen of steric clashes.

4. Resultaten

• Dataset Statistieken: Van de startende 649.915 systemen blijven 153.005 over. De grootste afname komt door de initiële structuurkwaliteitsfilter (48,8% behoud).
• Diversiteit: CROWN bevat 12.352 unieke UniProt-IDs en 3.209 unieke soorten, vergeleken met respectievelijk 3.354 en 861 voor PDBBind. De chemische dekking (ligand-diversiteit) is ook aanzienlijk breder.
• Kwaliteitsverbetering: In tegenstelling tot PLInder (met >18.000 onopgeloste ligandatomen) en PDBBind (met honderden entiteiten met ontbrekende bindingen), bevat CROWN 0 entiteiten met deze structurele gebreken.
• RMSD-analyse: De minimalisatie resulteert in minimale verplaatsingen van het eiwitstijf (verwaarloosbaar) en gemiddelde verplaatsingen van 0.22 Å voor pocket-atomen, wat binnen de kristallografische onzekerheid valt. Waterstofatomen tonen de grootste beweging (0.52 Å), wat wijst op een succesvolle optimalisatie van het waterstofbruggennetwerk.
• Ligand Eigenschappen: De verdeling van moleculaire eigenschappen (zoals aantal zware atomen en rotatieerbare bindingen) is breder en representatiever voor moderne drug discovery (bijv. PROTACs, macrocycli) dan in PDBBind.

5. Betekenis en Toekomst

CROWN dient als een cruciale bron voor de gemeenschappen van structuurbiologie, chemoinformatica en machine learning.

• Toepassingen: Het dataset is ideaal voor het trainen van generatieve modellen voor bindingsposities, het ontwikkelen van scoringsfuncties en het benchmarken van interactievoorspelling.
• Reproduceerbaarheid: De volledige pipeline is open-source beschikbaar, wat reproduceerbaarheid garandeert en toekomstige updates mogelijk maakt naarmate de PDB groeit.
• Beperkingen: Huidige beperkingen zijn afhankelijk van de dekking van de force field (OpenFF 2.2.0), wat problemen kan opleveren voor metaalcoordinatie en zeldzame elementen. Toekomstige iteraties zullen gericht zijn op het integreren van cryo-EM-structuren en ML-gebaseerde force fields om deze hiaten te dichten.

Kortom, CROWN lost de spanning op tussen datakwaliteit en -schaal, en biedt een robuust, schoon en divers fundament voor de volgende generatie AI-modellen in moleculaire erkenning.