Several multiple sequence alignment perturbation methods enhance AlphaFold3 sampling of alternative protein states

Deze studie toont aan dat het toepassen van verschillende perturbationstechnieken op meervoudige sequentie-uitlijningen (MSA) de prestaties van AlphaFold3 significant verbetert bij het sampleen van alternatieve eiwitconformaties, waarbij de resultaten vaak concurreren met het BioEmu-model.

De kern

Titel: Hoe we met een 'verwarde' receptie meer gezichten van een eiwit kunnen zien

Stel je voor dat eiwitten (de bouwstenen van het leven) niet als statische Lego-blokjes zijn, maar als levende dansers. Ze bewegen, veranderen van houding en doen verschillende dingen afhankelijk van de situatie. Soms zijn ze strak op elkaar gepakt (gesloten), soms wijd open. Om medicijnen te ontwerpen of ziektes te begrijpen, is het cruciaal om al deze verschillende danspasjes (conformaties) te kunnen zien.

Voorheen kon de beroemde kunstmatige intelligentie AlphaFold2 alleen de meest populaire danspas voorspellen. Het zag de danser maar in één stand.

Het nieuwe spel: AlphaFold3
De nieuwste versie, AlphaFold3, is een stuk slimmer. Hij kan van nature al een beetje 'dromen' over verschillende danspassen. Maar de onderzoekers van dit papier vroegen zich af: Kunnen we hem nog beter helpen om al die andere, minder bekende poses te vinden?

De methode: Het receptieboek verstoren
AlphaFold kijkt naar een groot boek met instructies (een 'Multiple Sequence Alignment' of MSA) om te weten hoe een eiwit eruit moet zien. Normaal gesproken leest hij dit boek heel precies.

De onderzoekers deden iets creatiefs: ze verstoorden het boek op drie manieren, alsof ze het boek een beetje 'in de war' brachten:

1. Minder bladzijden lezen: Ze lieten de AI minder voorbeelden lezen (stochastisch subsampling).
2. Groeperen: Ze pakten alleen bepaalde groepen voorbeelden (clustering).
3. Verbergen: Ze verduisterden willekeurige woorden in de tekst met een 'X' (kolommaskering).

De analogie: De verwarde chef-kok
Stel je AlphaFold voor als een chef-kok die een recept probeert te onthouden.

• Normaal: Hij leest het recept perfect en maakt altijd exact hetzelfde gerecht (de 'standaard' vorm).
• Met verstoring: Als je hem vertelt: "Vergeet even de helft van de ingrediënten" of "Vervang de zout door een vraagteken", dan moet zijn brein improviseren. Door die onzekerheid probeert hij soms andere, verrassende combinaties. Soms levert dat een heel nieuw, maar toch goed gerecht op!

Wat vonden ze?
De onderzoekers testten dit op 107 verschillende eiwitten.

• AlphaFold3 is al goed: Zelfs zonder verstoring zag hij al veel meer verschillende vormen dan zijn voorganger (AlphaFold2).
• Verstoring helpt: Door het recept te 'verstoren' (vooral door woorden te verbergen met een X), zag de AI in ongeveer 20% van de gevallen zelfs nog betere alternatieve vormen.
• De verrassing: Soms werkte het verbergen van een specifiek woord (een specifiek aminozuur) beter dan het standaard 'X'. Bijvoorbeeld, het verbergen van het aminozuur 'F' (Fenylalanine) hielp bij een RNA-helicas-eiwit om een vorm te vinden die anders onzichtbaar bleef.

Drie echte voorbeelden uit het papier:

1. De Enzym-Danser: Een eiwit dat fosfaten verplaatst. AlphaFold2 zag alleen de 'gesloten' vorm. AlphaFold3 zag zowel de gesloten als de 'open' vorm.
2. De Calcium-Pomp: Een eiwit dat calcium transporteert. Zonder verstoring zag AlphaFold3 twee vormen, maar miste hij de vorm waarbij ATP (energie) aan de pomp zit. Met 'verduisterde' instructies zag hij die ontbrekende vorm ook!
3. De RNA-Helikase: Een eiwit dat RNA ontwindt. Hier werkte de standaard methode niet goed. Maar toen ze een specifiek aminozuur (F) verbergt in plaats van een X, zag de AI plotseling de 'lege' vorm van het eiwit, die voorheen onvindbaar was.

Conclusie voor de leek
Dit onderzoek laat zien dat we AI niet altijd perfect moeten laten werken. Soms helpt het om de instructies een beetje te 'verstoren' of te variëren. Hierdoor kan de computer meer van de dynamische wereld van eiwitten zien. Het is alsof je een danser niet alleen de standaardpas laat doen, maar hem ook een beetje uitdaagt om te improviseren, zodat je al zijn talenten kunt ontdekken.

Dit is een enorme stap voorwaarts voor het ontwerpen van nieuwe medicijnen, omdat we nu beter begrijpen hoe eiwitten bewegen en veranderen in het lichaam.

Technische samenvatting

Probleemstelling

Proteïnen zijn dynamische moleculen die vaak meerdere conformatiestaten aannemen die essentieel zijn voor hun biologische functie (zoals enzymatische katalyse of signaaltransductie). Hoewel AI-modellen zoals AlphaFold2 (AF2) en de nieuwere AlphaFold3 (AF3) uitzonderlijk nauwkeurige voorspellingen kunnen doen voor de "native" (meest stabiele) staat, zijn ze van nature geneigd om slechts één conformatie per proteïne te genereren. Het voorspellen van alternatieve, functioneel relevante staten (bijv. open vs. gesloten toestanden) blijft een uitdaging. Eerdere studies hebben aangetoond dat het verstoren van de Multiple Sequence Alignment (MSA) bij AF2 kan leiden tot het samplen van alternatieve staten. De vraag is echter of deze strategieën ook effectief zijn voor de nieuwere AF3, die een diffusiemodel gebruikt en theoretisch in staat zou moeten zijn om een kansverdeling van staten te sample, en hoe deze presteren ten opzichte van gespecialiseerde modellen zoals BioEmu.

Methodologie

De auteurs hebben een uitgebreide benchmark uitgevoerd op een dataset van 107 proteïnen met experimenteel opgeloste structuren in meerdere conformaties (bronnen: OC23, IOMemP en BioEmu benchmark).

Vergelijkde methoden:

1. Onverstoord AF3: De standaard configuratie.
2. MSA-verstoringsmethoden (perturbations):
   • Stochastisch subsampling: Het verkleinen van de MSA-diepte (minder sequenties) om het signaal van de dominante staat te verzwakken.
   • Clustering: Het clusteren van sequenties in de sequentieruimte en het afzonderlijk toedienen van clusters aan het model.
   • Kolommaskering: Het stochastisch maskeren van kolommen in de MSA (residuen) met een onbekend aminozuur (standaard 'X'), wat het co-evolutionaire signaal van de dominante staat verstoort.
3. BioEmu: Een model dat specifiek is getraind om Boltzmann-verdelingen van conformatielandschappen te sample.
4. AlphaFold2 (AF2): Als referentiepunt.

Experimenteel ontwerp:

• Voor elk proteïne en elke methode werden minimaal 1000 structurele voorspellingen gegenereerd.
• De kwaliteit van de samplede staten werd gemeten tegenover experimentele referentiestructuren met de TM-score (Template Modeling Score), berekend via TM-align op Cω-atomen.
• De prestatie werd geëvalueerd op basis van het gemiddelde van de top 1% TM-scores per referentiestaat.
• Specifiek werd onderzocht of het veranderen van het maskeraaminozuur (bijv. van 'X' naar 'F' (Fenylalanine) of andere) invloed heeft op het sample-resultaat.

Belangrijkste Bijdragen

1. Evaluatie van AF3 op alternatieve staten: Het is de eerste uitgebreide studie die systematisch test hoe MSA-perturbaties werken op AlphaFold3.
2. Vergelijking met BioEmu: Een directe prestatievergelijking tussen AF3 (met en zonder perturbaties) en BioEmu, een model dat specifiek voor statistisch samplen is ontworpen.
3. Optimalisatie van kolommaskering: Het introduceren en testen van het idee dat het kiezen van een specifiek aminozuur als masker (in plaats van het standaard 'X') de sample-resultaten voor specifieke doelen kan verbeteren.
4. Validatie op data-na-training: Het filteren van de dataset om alleen proteïnen te gebruiken waarvan de experimentele structuren na de trainingscutoff van AF3 zijn vrijgegeven, om overfitting uit te sluiten.

Resultaten

• AF3 vs. AF2: Onverstoord AF3 samplet alternatieve staten met een significant hogere TM-score dan AF2 en presteert vergelijkbaar met BioEmu voor alternatieve staten, maar beter voor de "voorkeurs" (preferred) staten.
• Effect van MSA-perturbaties: Alle drie de perturbatiemethoden (subsampling, clustering, kolommaskering) verbeteren de sample-resultaten van AF3 voor alternatieve staten op een statistisch significant niveau.
  • In ongeveer 20% van de gevallen verbeterde elke methode de top 1% TM-score met minimaal 0,05.
  • De methoden verergerden de prestaties zelden.
  • Kolommaskering en subsampling verbeterden ook de scores voor de voorkeursstaten, terwijl clustering dit niet deed.
• BioEmu Prestaties: Hoewel BioEmu goed presteert, waren de scores voor alternatieve staten niet statistisch significant hoger dan die van onverstoord AF3. BioEmu presteerde zelfs slechter voor de voorkeursstaten.
• Invloed van het Masker-Aminozuur: Het standaardmaskeren met 'X' werkt goed, maar het gebruik van specifieke aminozuren kan in specifieke gevallen dramatisch beter zijn.
  • Voor het proteïne Nucleolar RNA helicase 2 slaagde het standaard 'X'-masker er niet in om de 'apo'-staat te vinden (TM-score < 0,7).
  • Het maskeren met Fenylalanine (F) leidde echter tot het vinden van de apo-staat met een TM-score van 0,987. Ook andere aminozuren (D, R, W) toonden verbetering in specifieke gevallen.
• Casestudies:
  • ω-phosphoglucomutase: AF2 samplede alleen de gesloten staat, terwijl AF3 zowel open als gesloten staten samplede.
  • Calcium-transporterende ATPase: Onverstoord AF3 miste de E1-ATP staat; kolommaskering maakte het samplen van deze staat mogelijk.
  • RNA Helicase 2: Toonde de cruciale impact van het kiezen van het juiste masker-aminozuur (F in plaats van X).

Betekenis en Conclusie

De studie concludeert dat MSA-perturbaties nog steeds relevant en nuttig zijn voor AlphaFold3, ondanks het gebruik van een diffusiemodel dat theoretisch in staat zou moeten zijn tot native sampling van een verdeling.

• Praktische toepassing: Kolommaskering is een krachtige, goedkope techniek om de kans te vergroten dat AF3 alternatieve, functioneel relevante conformaties genereert.
• Nieuwe inzichten: Het is niet altijd optimaal om het standaard 'X'-masker te gebruiken; het experimenteren met andere aminozuren als masker (zoals F) kan in specifieke gevallen de doorbraak bieden om een ontbrekende staat te vinden.
• Beperkingen: Hoewel de methoden de sampling verbeteren, zijn ze niet perfect. Voor ongeveer een kwart van de geteste proteïnen faalden alle methoden om een TM-score > 0,8 te bereiken voor minstens één experimentele staat. Dit suggereert dat het volledig betrouwbaar voorspellen van het volledige Boltzmann-verdeling van conformaties zonder aanvullende experimentele data nog steeds buiten het bereik ligt van huidige AI-methoden.

De auteurs pleiten ervoor om deze perturbatiemethoden te combineren met functionele data of lage-resolutie experimentele data om de meest biologisch relevante conformaties uit de gegenereerde ensemble te selecteren.