ConforFlux: Particle-Guided Trunk Repulsion for Diverse Protein Conformations
ConforFlux is een procedure tijdens de inferentie die de diversiteit van de proteïneconformatiesampling in deep learning-modellen zoals Boltz-2 verbetert door een deeltjesgestuurde afstotingsmechanisme op trunk-embeddings te introduceren, wat de ontdekking van meerdere toestanden aanzienlijk verbetert zonder dat hertraining van het model vereist is.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). 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
Eiwitten zijn de werkpaarden van het leven, kleine moleculaire machines die zich vouwen in complexe driedimensionale vormen om taken uit te voeren zoals het verteren van voedsel, het verzenden van zenuwsignalen of het bouwen van cellen. Decennialang geloofden wetenschappers dat ze, om te begrijpen hoe een eiwit werkt, alleen de uiteindelijke, rustende vorm hoefden te zien, vergelijkbaar met het maken van één enkele foto van een persoon om diens persoonlijkheid te begrijpen. Echter, biologie is zelden statisch. Eiwitten zijn dynamisch; ze ademen, draaien en verschuiven tussen verschillende vormen om te functioneren. Een enzym moet bijvoorbeeld een zakje kunnen openen om een molecuul te grijpen, en een transporteiwit moet kunnen kantelen van de binnenkant van een cel naar de buitenkant om stoffen over een barrière te bewegen. Deze verschillende vormen, of conformaties, zijn vaak net zo belangrijk als de structuur zelf, maar het vastleggen ervan in een laboratorium is moeilijk, duur en vaak incompleet.
In de afgelopen jaren heeft kunstmatige intelligentie de mogelijkheid om deze eiwitvormen te voorspellen gerevolueerd, waarbij een nauwkeurigheid is bereikt die wedijvert met laboratoriumexperimenten. Toch is er een belangrijke beperking aan het licht gekomen: wanneer deze krachtige computermodellen worden gevraagd om een structuur te voorspellen, hebben ze de neiging om steeds hetzelfde antwoord te geven, waarbij ze zich concentreren op de meest waarschijnlijke vorm en de andere geldige vormen die het eiwit zou kunnen aannemen, negeren. Dit is als een camera die altijd slechts een foto maakt van een persoon die stilstaat, en nooit de bewegingen vastlegt terwijl diegene loopt, zit of zwaait, ook al zijn die bewegingen essentieel voor wie die persoon is. Onderzoekers zoeken al lang naar een manier om deze modellen te dwingen het volledige bereik van de bewegingen van een eiwit te verkennen zonder de enorme, complexe systemen vanaf nul opnieuw te hoeven trainen.
Een team van onderzoekers aan de Universiteit van Tsukuba heeft een nieuwe methode ontwikkeld genaamd ConforFlux om dit probleem op te lossen. In plaats van de AI-modellen nieuwe dingen te leren of hun interne code te veranderen, introduceerden zij een eenvoudige maar slimme regel die het denken van de computer stuurt terwijl deze aan het werk is. Stel je voor dat de computer verschillende simulaties van hetzelfde eiwit tegelijkertijd uitvoert. Bij de standaardaanpak draait elke simulatie onafhankelijk, waarbij ze vaak allemaal op dezelfde uiteindelijke vorm uitkomen. De nieuwe methode verbindt deze parallelle simulaties, waardoor ze met elkaar kunnen "praten". Als twee simulaties structuren beginnen te produceren die te veel op elkaar lijken, duwt het systeem ze voorzichtig uit elkaar, waardoor elke simulatie wordt aangemoedigd om een ander pad te verkennen. Deze afstoting wordt niet toegepast op de uiteindelijke 3D-vorm, maar op de interne wiskundige representaties die het model gebruikt om de sequentie van het eiwit te begrijpen. Door deze interne weergaven een duwtje te geven, zorgt de methode ervoor dat de uiteindelijke voorspelde structuren divers zijn, waardoor een breder bereik van de mogelijke bewegingen van het eiwit wordt gedekt zonder de oorspronkelijke training van het model ooit te wijzigen.
De onderzoekers testten deze aanpak op een grote verscheidenheid aan eiwitten waarvan bekend is dat ze van vorm veranderen, waaronder die die fungeren als deuren in celmembranen en enzymen die schakelen tussen verschillende functionele toestanden. Ze vergeleken de nieuwe methode met de standaardmanier van het gebruiken van het AI-model, evenals met andere bestaande technieken die proberen diversiteit af te dwingen. De resultaten waren duidelijk: de nieuwe methode slaagde erin alternatieve vormen te ontsluieren die het standaardmodel volledig miste. In tests met membraantransporteiwitten, die cycleren tussen naar binnen en naar buiten gerichte toestanden, verbeterde de nieuwe methode het succespercentage bij het vinden van beide toestanden met wel 17 procentpunten. Het was bijzonder effectief in het vinden van de "verborgen" toestanden van eiwitten die moeilijk te vangen zijn, zoals die met tijdelijke zakjes die slechts kort openen. In één specifiek geval met de menselijke dopamine-transporter, een eiwit dat cruciaal is voor de hersenfunctie, vond de standaardmethode de naar binnen gerichte vorm in 500 pogingen niet, terwijl de nieuwe methode deze tientallen keren vond.
De studie onderzocht ook hoe goed deze techniek werkte op andere toonaangevende AI-modellen, niet alleen op het model waarvoor deze is ontworpen. De methode bleek veelzijdig te zijn en verbeterde de diversiteit van voorspellingen op twee andere grote eiwitvoorspellingssystemen. Dit suggereert dat de strategie om de interne representaties van het model te sturen een algemene oplossing is die over verschillende platforms kan worden toegepast. De onderzoekers merkten wel een afruil op: de nieuwe methode produceerde soms structuren met iets meer kleine geometrische imperfecties, zoals atomen die net iets te dicht bij elkaar staan, maar deze waren beheersbaar en stonden de belangrijkste winst van het vinden van de juiste vormen niet in de weg. Cruciaal was dat de methode ook werkte op eiwitten waarvan de structuren werden ontdekt nadat de AI-modellen oorspronkelijk waren getraind, wat bewees dat het biologische realiteiten kon bereiken die de modellen nog nooit hadden gezien.
Door deze krachtige AI-instrumenten de volledige breedte van het leven van een eiwit te laten verkennen, in plaats van alleen de meest voorkomende houding, opent dit werk nieuwe deuren voor het begrijpen van hoe biologische machines functioneren. Het biedt een manier om een bibliotheek van mogelijke vormen voor een enkel eiwit te genereren, waardoor wetenschappers een completer beeld krijgen van hoe deze moleculen bewegen en interageren. Dit is niet alleen een technische verbetering in de computerwetenschap; het is een stap naar het begrijpen van de dynamische aard van het leven zelf, waarbij wordt aangetoond dat zelfs de meest geavanceerde kunstmatige intelligentie kan worden gestuurd om de wereld in beweging te zien, en niet alleen in stilstand.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.