Learning residue level protein dynamics with multiscale Gaussians

Resumo Técnico: DYNAPROT

1. O Problema

As proteínas raramente existem em conformações estáticas; sua função biológica (como catálise enzimática, alosteria e transdução de sinal) depende fundamentalmente de sua dinâmica e flutuações estruturais.

• Limitação do Padrão-Ouro: A Dinâmica Molecular (MD) é o método in silico mais preciso para estudar essas dinâmicas, mas seu custo computacional é proibitivo (dias ou semanas para simular 100 ns de uma única proteína), limitando sua escalabilidade.
• Limitações de Métodos Atuais:
  • Métodos Generativos (ex: AlphaFlow, BioEMU): Requerem pré-treinamento massivo em bancos de dados como PDB e múltiplas passadas estocásticas para gerar ensembles, sendo lentos e pesados.
  • Preditores Explícitos Atuais (ex: FlexPert3D): Geralmente preveem apenas variáveis coletivas simples, como a Flutuação Quadrática Média por Resíduo (RMSF), que é um escalar. Isso ignora a direcionalidade do movimento e o acoplamento entre resíduos.
  • Análise de Modos Normais (NMA): É rápida e baseada em física, mas não aprende com dados, é sensível à qualidade da estrutura de entrada e falha em capturar anisotropia local e heterogeneidade conformacional.

O desafio é criar um modelo que esteja na "fronteira de Pareto" entre expressividade (capturar dinâmicas ricas) e eficiência (ser rápido e leve), sem depender de geração de ensembles custosa.

2. Metodologia: DYNAPROT

O DYNAPROT é um framework leve e invariante a SE(3) (rotações e translações) que prevê descritores de dinâmica diretamente de estruturas estáticas, utilizando uma perspectiva de distribuições Gaussianas multivariadas.

Representação Gaussiana:
Em vez de gerar estruturas ponto a ponto, o modelo modela a dinâmica como uma distribuição normal multivariada sobre as coordenadas atômicas ($X \sim \mathcal{N}(\mu, \Sigma)$). O modelo foca em dois níveis de granularidade:

1. Anisotropia Marginal por Resíduo: Prediz uma matriz de covariância $3 \times 3$ ($\Sigma^{(i)}_{marginal}$) para cada resíduo, capturando a flutuação local anisotrópica (direção e magnitude). O RMSF é derivado diretamente do traço desta matriz.
2. Acoplamento Escalar Pares de Resíduos: Prediz uma matriz de covariância escalar $N \times N$ ($C$) que codifica o acoplamento dinâmico entre pares de resíduos.

Arquitetura:

• Backbone: Utiliza 8 blocos de Invariant Point Attention (IPA) do AlphaFold2 para processar frames locais de resíduos ($C_\alpha$) e a sequência de aminoácidos, mantendo invariância a transformações SE(3).
• Leitura de Marginais (DYNAPROT-M): Um MLP simples prediz os fatores de Cholesky de matrizes $3 \times 3$ para garantir que as matrizes de covariância sejam Simétricas e Positivas Definidas (SPD). A perda utilizada é a distância log-Frobenius, adequada para a geometria Riemanniana das matrizes SPD.
• Leitura de Acoplamento (DYNAPROT-J): Utiliza blocos de atenção de pares (estilo Evoformer) para gerar uma matriz de acoplamento escalar, também parametrizada via fatoração de Cholesky.
• Reconstrução do Ensemble: O modelo não treina explicitamente a matriz de covariância conjunta completa ($3N \times 3N$). Em vez disso, utiliza uma heurística para reconstruir a matriz conjunta aproximada combinando as marginais locais e o acoplamento escalar global: $\Sigma_{joint} = L_{marginal} (\tilde{C} \otimes I_3) L_{marginal}^T$. Isso permite amostragem de ensembles extremamente rápida.

3. Principais Contribuições

1. Primeiro Modelo de Aprendizado de Representações Gaussianas: É o primeiro modelo a aprender explicitamente tanto representações marginais (Gaussianas por resíduo) quanto acoplamentos pares, permitindo a reconstrução de uma estrutura de covariância conjunta completa de forma aprendida (data-driven).
2. Eficiência Extrema: O modelo possui apenas ~2,86 milhões de parâmetros (vs. 1,2 bilhão do FlexPert3D ou 95 milhões do AlphaFlow+Templates) e não requer pré-treinamento em larga escala no PDB (treinado em ~1.000 proteínas derivadas de MD).
3. Amostragem Ultra-Rápida: Permite a geração de ensembles estruturais em milissegundos (~0,14s) com alta fidelidade, eliminando a necessidade de simulações longas ou múltiplas passadas estocásticas.
4. Descoberta de Bolsas Crípticas: Demonstrou capacidade zero-shot de identificar bolsos de ligação ocultos (crípticos) analisando a direcionalidade e magnitude das flutuações preditas.

4. Resultados Experimentais

Os experimentos foram realizados no conjunto de dados ATLAS (1.390 proteínas) e comparados com MD, NMA, FlexPert3D e AlphaFlow+Templates.

• Flexibilidade de Resíduo (RMSF): O DYNAPROT-M alcançou uma correlação de Pearson de 0,865 (mediana) com o RMSF derivado de MD, superando o FlexPert3D (0,830), usando 3 ordens de magnitude menos parâmetros.
• Anisotropia Local: O modelo superou significativamente a NMA na precisão da predição de "Gaussianas" locais (medidas por RMWD e divergência KL simétrica), sendo comparável ao AlphaFlow+Templates, mas com tempo de inferência de 0,02s contra ~7000s do AlphaFlow.
• Acoplamento Pares: O DYNAPROT-J superou a NMA na predição de acoplamentos escalar entre resíduos, especialmente em distâncias curtas e médias (correlação pico de 0,71 vs 0,59 da NMA).
• Geração de Ensemble:
  • O ensemble gerado pelo DYNAPROT manteve alta correlação de RMSF global (0,71) e por alvo (0,86).
  • Velocidade: A amostragem é >70.000x mais rápida que o AlphaFlow+Templates (~0,14s vs ~10.000s).
  • Generalização: O modelo demonstrou boa performance em dinâmicas de escala de tempo maior (1ms) em testes zero-shot com a proteína BPTI.

5. Significado e Conclusão

O DYNAPROT representa uma mudança de paradigma na modelagem de dinâmica de proteínas. Ao invés de tentar gerar trajetórias completas ou aprender distribuições complexas de alta dimensão diretamente, ele aprende descritores estruturados de dinâmica (covariâncias locais e acoplamentos globais) que são matematicamente composáveis.

Isso oferece uma alternativa escalável, interpretável e altamente eficiente para métodos existentes. O trabalho demonstra que é possível capturar o comportamento dinâmico rico das proteínas com modelos leves, abrindo caminho para aplicações em triagem de drogas em larga escala, onde a identificação de conformações flexíveis e bolsos ocultos é crítica, sem o custo computacional proibitivo das simulações tradicionais.