Efficient exploration of peptide libraries using active learning with AlphaFold-based screening

Deze studie toont aan dat een actieve leerstrategie gebaseerd op Thompson-sampling, in combinatie met AlphaFold2, peptidebibliotheken voor BET-eiwitten efficiënter kan screenen dan exhaustieve of willekeurige methoden door 50% van de binders te identificeren met slechts 15% van de benodigde queries.

De kern

Titel: Hoe je een naald in een hooiberg vindt zonder de hele berg te doorzoeken

Stel je voor dat je op zoek bent naar een paar specifieke, gouden naalden in een gigantische hooiberg. Deze hooiberg bevat miljoenen stukjes hooi (peptiden), maar slechts een klein deel daarvan is eigenlijk goud (deze naalden kunnen binden aan een ziekteverwekker of eiwit).

In het verleden probeerden wetenschappers om elk stukje hooi één voor één te controleren. Ze pakten er eentje, keken er naar, en legden het weer neer. Dit is als proberen de hele hooiberg leeg te halen om de naalden te vinden. Het kostte te veel tijd, te veel geld en te veel rekenkracht (in dit geval: de supercomputer AlphaFold).

De auteurs van dit nieuwe onderzoek hebben een slimme truc bedacht, gebaseerd op een spelletje gokken in een casino. Ze noemen dit Actief Leren met Thompson Sampling.

Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. De Hooiberg in Bakken verdelen (Clustering)

In plaats van losse stukjes hooi te controleren, hebben de onderzoekers de hooiberg eerst in grote bakken verdeeld. Ze hebben stukjes hooi bij elkaar gezet die op elkaar lijken.

• De analogie: Stel je voor dat je de hooiberg hebt opgedeeld in duizenden dozen. Sommige dozen bevatten waarschijnlijk veel goud, andere dozen bevatten waarschijnlijk alleen maar stro.

2. Het Casino-spel (Thompson Sampling)

Nu komt de slimme gokker (het algoritme) in beeld. Hij moet beslissen welke doos hij als eerste openmaakt.

• De gok: Hij heeft geen idee welke doos de goud bevat, maar hij maakt een slimme gok. Hij kijkt naar elke doos en zegt: "Ik heb een 10% kans dat deze doos goud heeft, en een 90% kans dat die andere doos vol met stro zit."
• Het spel: Hij pakt een doos, kijkt erin en ziet wat erin zit.
  • Als hij goud vindt: Hij denkt: "Aha! Deze doos is goudrijk!" en hij gaat in de volgende ronde vaker uit deze doos halen.
  • Als hij alleen stro vindt: Hij denkt: "Nou, deze doos is waarschijnlijk niet zo interessant," en hij laat deze doos voorlopig links liggen.

3. Het Balanceren van 'Verkennen' en 'Benutten'

Dit is het geheim van de truc. Het algoritme moet twee dingen doen:

• Benutten (Exploitation): De dozen die al goud hebben opgeleverd, blijven controleren omdat de kans groot is dat er nog meer goud zit.
• Verkennen (Exploration): Soms moet hij ook een doos kiezen die hij nog nooit heeft geopend, of een doos waar hij nog niet zeker van is. Misschien zit daar wel een schat in die hij nog niet heeft gezien!

Wat hebben ze ontdekt?

De onderzoekers hebben dit getest op een enorme lijst van eiwitten die mogelijk binden aan een specifiek doelwit (de ET-domein van BET-eiwitten).

• De oude manier (Willekeurig zoeken): Als je willekeurig dozen zou kiezen, zou je 100 dozen moeten openmaken om 50% van het goud te vinden.
• De nieuwe manier (Thompson Sampling): Met hun slimme gok-strategie vonden ze dezelfde 50% van het goud door slechts 30 dozen te openen.

Dat is een 3,3 keer snellere manier van zoeken! Ze vonden zelfs de bekendste, belangrijkste "naalden" (de biologisch bekende binders) veel sneller dan bij willekeurig zoeken.

Waarom is dit belangrijk?

Stel je voor dat je niet alleen op zoek bent naar goud in één hooiberg, maar naar goud in alle hooibergen ter wereld (bijvoorbeeld alle eiwitten in een virus). Dan is het onmogelijk om alles te controleren.

Met deze methode kunnen wetenschappers:

1. Snel de beste kandidaten vinden: Ze hoeven niet alles te testen, maar vinden wel de belangrijkste stukjes.
2. Minder rekenkracht verspillen: Ze hoeven de supercomputer niet urenlang te laten werken voor niets.
3. Toepassen op andere dingen: Deze truc werkt niet alleen voor het vinden van bindende eiwitten, maar ook voor het vinden van eiwitten die goed oplossen in water, of juist niet. Zolang je een "ja/nee" antwoord kunt geven, werkt dit systeem.

Kortom: In plaats van de hele hooiberg leeg te halen, gebruiken ze een slimme kompasnaald die hen direct naar de meest veelbelovende plekken leidt. Zo vinden ze de naalden in een fractie van de tijd.

Technische samenvatting

Probleemstelling

Proteïne-peptide interacties spelen een cruciale rol in biologische processen en ziekteontwikkeling, maar het identificeren van specifieke bindende epitopen (peptide sequenties) is een enorme uitdaging. De ruimte van mogelijke peptide-sequenties is exponentieel groot (bijvoorbeeld $20^{12}$ voor een peptide van 12 aminozuren).

• Beperkingen van bestaande methoden: Klassieke docking-algoritmen hebben moeite met intrinsiek ongeordende peptiden die pas structuur aannemen bij binding.
• AlphaFold2 (AF2) potentieel en beperking: Hoewel AF2 de voorspelling van peptide-proteïne complexen heeft verbeterd (bijv. via de AF-CBA methode), is een exhaustieve screening van grote libraries (zoals virale proteomen) computationeel onhaalbaar. Elke kandidaat vereist meerdere structuurvoorspellingen, wat leidt tot een onbegrensde rekenlast.
• Doel: Er is behoefte aan een strategie die een aanzienlijk deel van de binders efficiënt kan vinden zonder de volledige sequentieruimte te hoeven doorzoeken.

Methodologie

De auteurs introduceren een Actief Leermethode (Active Learning) gebaseerd op Thompson Sampling (TS), een Bayesiaanse strategie voor het oplossen van "multi-armed bandit" problemen.

1. Dataset Constructie:

   • Gebaseerd op eerdere pull-down experimenten met het BRD3-proteïne (specifiek de ET-domein).
   • 318 menselijke proteïnen werden gefragmenteerd in 25-aminozuur lange peptiden met een verschuivende venster (1 AA stap).
   • Dit resulteerde in een unieke dictionary van 142.338 peptiden.
   • Labeling: Elk peptide werd gescreend met AlphaFold2 (5 modellen per complex). Een peptide werd geclassificeerd als "binder" (1) of "non-binder" (0) op basis van twee criteria:
     • Gemiddelde pLDDT-score > 70 (structuurvertrouwen).
     • Gemiddelde afstand tussen C$\alpha$-atomen van het peptide en de bindingsresiduen van BRD3 < 20 Å.
     • Minimaal 4 van de 5 modellen moesten aan beide criteria voldoen.

2. Clustering:

   • Om de zoekruimte te reduceren, werden de peptiden gegroepeerd in clusters op basis van sequentie-identiteit (met CD-HIT en MMseqs2 op drempels van 0.4, 0.5, 0.7 en 0.9).
   • Elke cluster fungeert als een "arm" in het bandit-probleem. De aanname is dat sommige clusters een hogere dichtheid aan binders bevatten dan anderen.

3. Thompson Sampling Workflow:

   • Prior: Elke cluster $c$ krijgt een Beta-verdeling ($\alpha_c, \beta_c$) die de onzekerheid over de succeskans (binders vinden) weergeeft.
   • Selectie: In elke iteratie wordt een waarde $\tilde{\theta}_c$ getrokken uit de posterior-verdeling van elke cluster. Clusters met de hoogste getrokken waarden worden geselecteerd.
   • Exploratie vs. Exploitatie: De methode balanceert het testen van onzekere clusters (exploratie) met het focussen op clusters die al veel binders hebben opgeleverd (exploitatie).
   • Update: Na het screenen van een batch peptiden (grootte 50) uit de geselecteerde clusters, worden de $\alpha$ en $\beta$ parameters bijgewerkt op basis van de waargenomen labels (binder/non-binder).

Belangrijkste Bijdragen

• Toepassing van Thompson Sampling op Peptide-ontdekking: Dit is de eerste toepassing van TS voor het efficiënt verkennen van peptide-sequentieruimtes, in plaats van alleen voor kleine moleculen.
• Cluster-gebaseerde strategie: Het groeperen van sequenties in clusters verhoogt de efficiëntie aanzienlijk ten opzichte van het screenen van individuele sequenties willekeurig.
• Algemene toepasbaarheid: De methode is niet beperkt tot bindingsvoorspelling; het werkt met elke binaire label (bijv. oplosbaarheid of aggregatie), wat het toepasbaar maakt op diverse peptide-eigenschappen.

Resultaten

De prestaties van Thompson Sampling (TS) werden vergeleken met willekeurige steekproeven (random sampling) over 100 replicaties.

• Efficiëntie:
  • TS kon 50% van alle binders vinden met slechts 15% van de queries die nodig waren voor exhaustieve screening.
  • Dit vertegenwoordigt een 3,3-voudige verbetering ten opzichte van willekeurige steekproeven.
  • Bij een budget van 30.000 queries (ongeveer 20% van de dataset) vond TS ongeveer 62% van de binders, terwijl willekeurige steekproeven slechts ongeveer 21% vonden (een factor ~2,9 verschil).
• Invloed van Clustering:
  • De prestaties waren het beste bij een sequentie-identiteitsdrempel van 0.5.
  • Bij deze drempel waren 50% van de binders geconcentreerd in slechts 151 clusters. Hogere drempels (0.9) leidden tot te veel kleine, verspreide clusters, wat de exploitatie door TS bemoeilijkte.
• Kwaliteit van Ontdekking:
  • TS identificeerde experimenteel bekende binders (zoals BRG1, INO80B, CHD4) significant sneller dan willekeurige screening.
  • Bijvoorbeeld: BRG1, INO80B en CHD4 werden in respectievelijk 97%, 95% en 93% van de runs gevonden binnen de eerste 30.000 queries.
• Mechanisme:
  • De analyse van de Beta-verdelingen toonde aan dat clusters met binders snel een verschuiving naar hogere succeswahrscheinlijkheden vertonen, waardoor ze vaker worden geselecteerd. Clusters zonder binders worden snel uitgesloten.

Betekenis en Conclusie

Dit werk demonstreert dat actieve leerstrategieën, specifiek Thompson Sampling, een krachtig hulpmiddel zijn om de computationele kosten van AlphaFold2-gebaseerde screening te verlagen.

• Scalabiliteit: De methode maakt het haalbaar om grote libraries (zoals virale proteomen) te screenen op interacties met menselijke domeinen, wat eerder onmogelijk was door de rekenlast.
• Biologisch inzicht: Door binders sneller te vinden, kunnen onderzoekers eerder biologische inzichten krijgen in interactienetwerken zonder de volledige ruimte te hoeven doorzoeken.
• Generaliteit: Omdat de methode alleen afhankelijk is van binaire labels, is deze direct toepasbaar op andere voorspellers voor peptide-eigenschappen zoals oplosbaarheid (getoond met NetSolP) of aggregatie-gevoeligheid.

Kortom, de auteurs bieden een robuust framework dat de efficiëntie van peptide-discovery drastisch verhoogt door slimme, datagedreven selectie in plaats van brute kracht.