pLM-Guided Inverse Folding for Antibody Sequence Design

Stel je voor dat je probeert een recept te schrijven (de aminozuurvolgorde) dat perfect een specifieke, complexe taart (de 3D-eiwitstructuur) nabootst. Dit is de uitdaging van "inverse folding" in eiwitontwerp.

Het Probleem: Te weinig Blauwdrukken
Normaal gesproken heb je nodig om te leren hoe je deze recepten schrijft, een bibliotheek van bestaande blauwdrukken die precies laten zien hoe de vorm van een taart overeenkomt met de ingrediënten. Echter, voor antilichamen (de verdedigingseiwitten van het lichaam) zijn dergelijke blauwdrukken extreem zeldzaam en duur om te verkrijgen. Omdat de bibliotheek zo klein is, neigen de computerprogramma's die deze taak proberen te leren, ertoe om de weinige voorbeelden die ze hebben te "memoriseren" in plaats van de regels echt te begrijpen, wat leidt tot matige resultaten.

De Oude Manier: Gespecialiseerde Training
De standaardoplossing is geweest om een algemene afgestudeerde van de kookschool (een model dat getraind is op allerlei soorten eiwitten) een korte intensive cursus specifiek over antilichaamrecepten te geven. Hoewel dit helpt, blijft het beperkt door hoeveel antilichaamblauwdrukken er beschikbaar zijn om van te leren.

De Nieuwe Oplossing: Een "No-Training" Samenwerking
Dit artikel introduceert een slimme manier om twee experts te combineren zonder hen opnieuw te hoeven trainen of meer blauwdrukken te hoeven vinden:

1. De Structurele Architect (ProteinMPNN): Dit is de algemene eiwitexpert die er heel goed in is om naar een vorm te kijken en te bepalen welke ingrediënten daar moeten zijn om die vorm bij elkaar te houden.
2. De Taalpoët (IgLM): Dit is een antilichaamspecifieke expert die miljoenen antilichaamverhalen (sequenties) heeft gelezen, maar niet noodzakelijkerwijs 3D-blauwdrukken heeft bestudeerd. Het weet hoe een "natuurlijk klinkende" antilichaamsequentie eruit moet zien omdat het de "taal" van antilichamen begrijpt.

Hoe Ze Samenwerken
In plaats van de één de ander te dwingen te onderwijzen, vragen de auteurs simpelweg aan beide experts om tegelijkertijd een recept te schrijven voor dezelfde taartvorm. Vervolgens nemen ze een gewogen stemming (een ensemble) om over het definitieve recept te beslissen.

Denk aan een chef en een voedingscriticus die samenwerken. De chef kent de fysica van het bakken (structuur), en de criticus weet hoe heerlijke, authentieke gerechten smaken (sequentie-taal). Door naar beiden te luisteren, creëren ze een recept dat zowel structureel solide als natuurlijk is.

De Resultaten
Wanneer getest op antilichaam- en nanobodystructuren, deed deze "samenwerkingsaanpak" twee indrukwekkende dingen:

• Betere Nauwkeurigheid: Het herstelde de juiste ingrediënten veel beter dan de structurele expert die alleen werkte, en presteerde bijna net zo goed als modellen die specifiek getraind waren op duizenden antilichaamblauwdrukken.
• Meer Variatie: Het genereerde een grotere variëteit aan unieke recepten, in plaats van slechts een paar patronen te kopiëren.

Zelfs wanneer de structurele expert al een korte intensive cursus over antilichamen had gehad (een model genaamd AbMPNN), verbeterde het toevoegen van de "Taalpoët" aan het team de resultaten nog steeds. Dit laat zien dat het begrijpen van de "taal" van antilichamen een laag van natuurlijkheid toevoegt die structurele training alleen niet kan bereiken, waardoor de uiteindelijke ontwerpen eruitzien en aanvoelen als echte, natuurlijke antilichamen terwijl ze toch hun vorm behouden.