ViralMap: Predicting Features in Viral Proteins from Primary Sequence

De studie introduceert ViralMap, een model dat op basis van ESM-2 taalmodelrepresentaties direct uit primaire sequenties tien soorten annotaties voor eukaryotische virale eiwitten voorspelt om de ontwikkeling van vaccins te versnellen.

De kern

Stel je voor dat virussen als een enorme, ingewikkelde receptenboek zijn. Om een virus te verslaan met een vaccin, moeten we weten welke "ingrediënten" (eiwitten) in dat recept zitten en hoe ze precies werken. Maar vaak hebben we alleen de ruwe tekst van het recept: een lange rij letters (de aminozuren) zonder uitleg over wat die letters betekenen.

Tot nu toe was het voor wetenschappers als het proberen te lezen van een recept in een vreemde taal, waarbij je voor elke stap een ander woordenboek nodig had. Je moest eerst kijken naar het woordenboek voor "smaak", dan voor "textuur", dan voor "temperatuur", enzovoort. Dat was traag, lastig en vaak onnauwkeurig.

ViralMap is de nieuwe, slimme AI-chef die dit probleem oplost.

Hier is hoe het werkt, vertaald in alledaags taal:

1. De "Google Translate" voor Virussen

Stel je voor dat je een nieuw virus ontdekt (misschien een nieuw variant van griep of een nog onbekend virus). Je hebt de DNA-reeks, maar je weet niet welke delen van het eiwit gevaarlijk zijn of waar je een vaccin op moet richten.

ViralMap neemt die lange, saaie rij letters en vertaalt ze direct naar een gedetailleerde kaart. In plaats van alleen de letters te zien, ziet de AI nu:

• Waar de "deur" van het virus zit (waar het het lichaam binnenkomt).
• Waar de "schilden" zitten (waar het virus zich verbergt voor ons immuunsysteem).
• Waar de "schakelaars" zitten (delen die het virus moet openen om te kunnen infecteren).

2. De "Meesterkook" in één keer

Vroeger moesten wetenschappers tien verschillende computerprogramma's draaien om dit soort informatie te krijgen. Het was alsof je voor één gerecht eerst een oven, dan een blender, dan een mixer en dan een koelkast nodig had, allemaal met verschillende stekkers en handleidingen.

ViralMap is als een alles-in-één keukenapparaat. Je gooit de ruwe ingrediënten (het eiwit) erin, en het apparaat spitst direct tien verschillende eigenschappen tegelijkertijd uit. Het kijkt niet alleen naar de vorm, maar ook naar de "smaak" (chemische modificaties) en de "textuur" (hoe stevig of slap het eiwit is).

3. Waarom is dit zo snel en slim?

De makers hebben ViralMap getraind met duizenden recepten van eerdere virussen. Het is opgeleid met een heel slim brein (een technologie genaamd ESM-2) dat begrijpt hoe eiwitten "denken".

• Het herkent patronen: Net zoals een ervaren kok weet dat als je suiker en boter ziet, je waarschijnlijk koekjes maakt, herkent ViralMap patronen in virale eiwitten die mensen vaak missen.
• Het is voorbereid op het onbekende: De wereld van virussen verandert razendsnel. ViralMap is zo getraind dat het zelfs nieuwe, nog nooit eerder geziene virussen kan "lezen" en direct kan zeggen: "Aha, dit deel lijkt op een sleutel, en dat deel is een schild."

4. De "100-Dagen Missie"

Er is een wereldwijd plan (de CEPI 100-Dagen Missie) om binnen 100 dagen na het ontdekken van een nieuw, dodelijk virus een vaccin te hebben. Dat is een enorme uitdaging.

ViralMap is de snelweg die deze missie mogelijk maakt. In plaats van maanden te wachten tot wetenschappers handmatig alle eigenschappen van het virus hebben uitgezocht, geeft ViralMap in een paar seconden de blauwdruk. Het vertelt de vaccinontwikkelaars precies waar ze moeten grijpen om het virus te verslaan.

Samengevat

ViralMap is als een super-snelle tolk en kaartmaker voor de taal van virussen. Het pakt de ruwe, onbegrijpelijke code van een virus en maakt er direct een gebruiksvriendelijke handleiding van. Hierdoor kunnen wetenschappers sneller, slimmer en effectiever vaccins ontwerpen om ons te beschermen tegen de ziektes van morgen.

Technische samenvatting

Probleemstelling

De ontwikkeling van effectieve virale vaccins vereist een diepgaand inzicht in de structuur en functie van virale eiwitten die de infectie bemiddelen. Om deze eiwitten te engineeren voor betere immunogeniciteit (bijv. door stabilisatie van domeinen, verwijdering van glycosyleringsplaatsen of blootstelling van epitopen), is een nauwkeurig annotatieprofiel op residu-niveau essentieel.

Huidige uitdagingen zijn:

1. Fragmentatie: Bestaande tools zijn vaak gespecialiseerd in één specifieke taak (bijv. alleen transmembrane domeinen of alleen glycosylering). Het combineren van meerdere tools tot één werkstroom is technisch complex door incompatibele afhankelijkheden en licentieproblemen.
2. Viral Specificiteit: Veel algemene eiwitannotatietools zijn getraind op niet-virale datasets en presteren minder goed op eukaryotische virussen, die zich snel evolueren en sterk afwijken van gastheereiwitten.
3. Schaalbaarheid: Initiatieven zoals de CEPI "100 Days Mission" (om binnen 100 dagen een vaccin te ontwikkelen tegen een nieuw pathogeen) vereisen tools die direct vanuit ruwe sequenties van nieuwe virussen of varianten functionele profielen kunnen genereren, zonder uitgebreide experimentele karakterisering.

Methodologie

De auteurs hebben ViralMap ontwikkeld, een multi-label annotatiemodel dat specifiek is ontworpen voor eukaryotische virale eiwitten.

1. Dataverzameling en Curering:

• Bron: Alle eukaryotische (niet-fage) virale eiwitten uit UniProt (ongeveer 4 miljoen sequenties).
• Filtering: Eiwitten werden gefilterd op annotatiekwaliteit (score ≥ 4.0), lengte (100-1024 residuen) en taxonomie.
• Clustering: MMseqs2 werd gebruikt voor clustering (60% identiteit) om redundantie te verminderen.
• Representatieve Selectie: Een uniek, annotatie-bewust algoritme selecteerde vertegenwoordigers binnen clusters. Dit algoritme prioriteerde eiwitten met hoge kwaliteit annotaties (experimenteel of handmatig gevalideerd) en behield tegelijkertijd diversiteit in zeldzame annotatieklassen. Het uiteindelijke dataset bevatte 8.238 eiwitten.

2. Modelarchitectuur:
ViralMap bestaat uit een twee-traps architectuur:

• Base Model: Een voorgeprogrammeerde ESM-2 taalmodel (33 lagen, 650 miljoen parameters) met een aangepaste neurale netwerkkop. De laatste vier transformerlagen zijn niet bevroren om aan te leren op virale data. Het model voorspelt voor elk residu 10 onafhankelijke kansen.
• Post-processing Module:
  • Voor individuele residu's (N-glycosylering, furine-splitsing, disulfidebruggen): Toepassing van F2-geoptimaliseerde drempelwaarden om recall te maximaliseren.
  • Voor domeinen en regio's (topologie, coiled-coils, disordered regions): Gebruik van Hidden Markov Models (HMM's) met het Viterbi-algoritme. Dit zorgt voor biologische consistentie (bijv. mutual exclusiviteit van topologische domeinen) en genereert start- en eindposities.

3. Training:

• Het model is getraind met een binaire cross-entropy loss-functie, gecombineerd met gewichtsschema's om zowel inter- als intra-klassen onevenwichtigheden aan te pakken (zeldzame positieve residuen versus overweldigende negatieve residuen).
• Cross-validatie werd uitgevoerd met 5 vouwen, waarbij de splitsing "familie-bewust" was om homologie-lekkage te voorkomen.

Kernbijdragen

1. Unificatie: ViralMap is het eerste model dat tien verschillende annotatieklassen gelijktijdig voorspelt vanuit één enkele primaire sequentie, waardoor de noodzaak voor complexe multi-tool pipelines verdwijnt.
2. Virale Specialisatie: Het model is specifiek getraind op eukaryotische virale eiwitten, waardoor het beter generaliseert dan algemene tools die voornamelijk op gastheereiwitten zijn getraind.
3. Omvang van Voorspellingen: Het model voorspelt drie categorieën:
   • Topologie & Lokalisatie: Transmembraan, cytoplasmatisch, extracellulair, signaalsequenties.
   • Post-translationele modificaties: N-glycosylering, furine-splitsing, ketensplitsing, disulfidebruggen.
   • Structurele kenmerken: Coiled-coils en intrinsiek ongeordende regio's (IDR's).

Resultaten

ViralMap werd geëvalueerd op een held-out testset en vergeleken met gevestigde gespecialiseerde tools (DeepTMHMM, NetNGlyc, ProP, DeepCoil, AIUPred).

• Algemene Prestaties: ViralMap bereikte een PR-AUC (Precision-Recall Area Under the Curve) van ≥ 0,75 voor 7 van de 10 klassen.
• Vergelijking met Bestaande Tools:
  • N-glycosylering: ViralMap presteerde aanzienlijk beter dan NetNGlyc (Precision: 0,648 vs 0,270; Recall: 0,913 vs 0,827). Het model leert contextuele features in plaats van alleen op canonieke motieven te vertrouwen.
  • Topologie: De prestaties waren vergelijkbaar met DeepTMHMM, met een betere recall voor transmembraan-domeinen en een betere precisie voor signaalsequenties.
  • Intrinsiek ongeordende regio's (IDR): ViralMap behaalde een zeer hoge PR-AUC (0,942) en een betere balans tussen precisie en recall dan AIUPred (die een hoge recall maar lage precisie had).
  • Furin-splitsing: Hoewel dit een zeldzame klasse is, presteerde het model consistent, wat suggereert dat het contextuele patronen herkent.
• Case Studies:
  • SARS-CoV-2 Spike: Het model identificeerde correct de topologie, de furine-splitsingsplaatsen (S1/S2 en S2'), coiled-coil regio's (HR1/HR2) en alle 22 referentie-glycosyleringsplaatsen.
  • HIV-1 Env (gp160): Het model slaagde erin de splitsing tussen gp120 en gp41, de glycan shield (29 sites) en de coiled-coil domeinen nauwkeurig te voorspellen, zelfs voor een virusfamilie die niet in de trainingsdata zat (novel family generalization).

Significantie

ViralMap biedt een praktische en schaalbare oplossing voor de "Disease X" uitdagingen. Door ruwe virale sequenties direct om te zetten in uitgebreide annotatieprofielen, versnelt het het proces van vaccinontwerp. Het stelt onderzoekers in staat om snel beslissingen te nemen over eiwitengineering (zoals het stabiliseren van pre-fusie conformaties of het verwijderen van glycanen) zonder afhankelijk te zijn van trage experimentele methoden of complexe software-pipelines. Dit is een cruciale stap richting het realiseren van de CEPI-doelstelling om binnen 100 dagen een vaccin te ontwikkelen tegen een nieuw pathogeen.