Deep Learning for Protein Complex Prediction and Design

Com base no texto da tese fornecido, segue um resumo técnico detalhado do trabalho apresentado no Capítulo 3: Predição Aprimorada da Estrutura de Heterodímeros Proteicos com Modelos de Linguagem de Proteínas.

Enunciação do Problema

A predição precisa de estruturas de complexos proteicos, particularmente heterodímeros (complexos formados por duas cadeias proteicas diferentes), permanece um desafio significativo na biologia estrutural computacional. Embora o AlphaFold2 tenha revolucionado a predição de estruturas de monômeros, sua extensão para complexos, o AlphaFold-Multimer, enfrenta um gargalo crítico: a construção de Alinhamentos de Sequências Múltiplas (MSAs) Interólogos.

Para predizer uma estrutura de complexo, o AlphaFold-Multimer requer um MSA conjunto onde sequências homólogas das duas cadeias constituintes estejam corretamente pareadas entre espécies. Métodos tradicionais dependem de estratégias heurísticas, tais como:

1. Pareamento baseado em filogenia: Agrupamento de sequências por espécie e classificação por similaridade com a consulta, seguida pelo pareamento de sequências de mesma classificação.
2. Co-localização genômica: Pareamento de sequências com base em sua proximidade em operons bacterianos.

Esses métodos lutam significativamente com alvos eucarióticos e casos envolvendo parálogos (múltiplas sequências similares dentro da mesma espécie), frequentemente levando a pareamentos incorretos e baixa precisão na predição de estruturas. O problema central abordado é como identificar e parear homólogos interagentes (interólogos) de forma automática e eficaz para construir MSAs conjuntos de alta qualidade para predição de heterodímeros, especialmente em domínios taxonômicos difíceis.

Metodologia: ESMPair

A tese propõe o ESMPair, um novo algoritmo de pareamento de MSA que alavanca Modelos de Linguagem de Proteínas (PLMs), especificamente o modelo pré-treinado ESM-MSA-1b, para identificar e parear homólogos.

O Pipeline:

1. Geração de MSA: Para um heterodímero de consulta, MSAs individuais são gerados para cada cadeia usando o JackHMMER contra o banco de dados UniProt.
2. Agrupamento por Espécie: Homólogos em cada MSA são agrupados por espécie.
3. Pontuação Baseada em Atenção: O modelo ESM-MSA-1b é utilizado para estimar pontuações de atenção por coluna entre a sequência de consulta e cada homólogo no MSA.
   • O modelo computa uma matriz de pesos de atenção por coluna ($A \in \mathbb{R}^{N \times N}$) para cada camada, cabeça e coluna.
   • Essas matrizes são simetrizadas e agregadas (somadas) através de camadas, cabeças e colunas para produzir uma matriz de similaridade par a par $S$.
   • A primeira linha de $S$ ($S_1$) representa a similaridade entre a consulta e todas as sequências de correspondência.
4. Classificação e Pareamento: Dentro de cada grupo de espécie, as sequências são classificadas com base em sua pontuação de similaridade em $S_1$. Sequências das duas cadeias que compartilham a mesma espécie e a mesma classificação são pareadas e concatenadas para formar o MSA interólogo.
5. Predição de Estrutura: O MSA pareado resultante é alimentado no AlphaFold-Multimer para predizer a estrutura do complexo.

Distinção Técnica Chave: Diferentemente de métodos anteriores que dependem de identidade de sequência ou proximidade genômica, o ESMPair utiliza os sinais de co-evolução capturados nos mapas de atenção de um modelo de linguagem de proteínas em larga escala para determinar a probabilidade de interação entre homólogos.

Contribuições Principais

1. Primeira Construção de MSA Baseada em PLM: Este trabalho representa a primeira aplicação de Modelos de Linguagem de Proteínas pré-treinados para construir MSAs conjuntos para predição de complexos proteicos.
2. Algoritmo ESMPair: O desenvolvimento de uma estratégia de pareamento simples, porém eficaz, que utiliza pontuações de atenção de coluna do ESM-MSA-1b para resolver ambiguidades de parálogos.
3. Estratégia de Ensemble: A demonstração de que combinar o ESMPair com outros métodos de pareamento (por exemplo, Baseado em Genoma, Diodonalização de Blocos) através de uma abordagem de ensemble produz resultados superiores em comparação com qualquer estratégia única.
4. Análise de Fatores: Uma análise quantitativa ligando propriedades do MSA (diversidade, profundidade, contagem de espécies) e pontuações de atenção à precisão da predição.

Resultados

O método foi avaliado em três conjuntos de teste: pConf70 (alvos de baixa confiança), pConf80 e DockQ49 (alvos com baixa precisão predita).

• Melhoria de Desempenho: O ESMPair superou consistentemente a estratégia de pareamento padrão do AlphaFold-Multimer e outras linhas de base (Genoma, Diodonalização de Blocos).
  • No conjunto pConf70, o ESMPair alcançou uma pontuação DockQ Melhor Top-5 de 0,259, comparado a 0,234 para o AlphaFold-Multimer (uma melhoria relativa de ~10,7%).
  • No conjunto DockQ49, a pontuação DockQ Melhor Top-5 melhorou de 0,247 (AF-Multimer) para 0,265 (ESMPair).
• Robustez Taxonômica:
  • O ESMPair mostrou os ganhos mais significativos em alvos Eucarióticos, onde métodos baseados em filogenia lutam devido à alta contagem de parálogos.
  • Demonstrou desempenho excepcional em pares trans-reino (Eucarioto-Bactéria), superando as linhas de base por uma grande margem (por exemplo, DockQ 0,394 vs. 0,314 para o AF-Multimer).
• Alvos de Baixa Confiança: A melhoria relativa do ESMPair sobre o AlphaFold-Multimer foi negativamente correlacionada com a pontuação de confiança predita (pConf). O método forneceu os maiores ganhos em alvos difíceis e de baixa confiança (pConf < 0,7), onde melhorias no DockQ atingiram até 100% em alguns casos.
• Benefícios do Ensemble: Combinar o ESMPair com outras estratégias (por exemplo, ESMPair + Genoma) aumentou ainda mais a taxa de sucesso para 44,6% (DockQ Melhor Top-5 0,277), e um ensemble de três estratégias atingiu uma taxa de sucesso de 46,8%.
• Estudos de Caso:
  • O ESMPair prediz corretamente os sítios de ligação e orientações de ligantes para alvos onde o AlphaFold-Multimer falhou (por exemplo, 7VSI, 7AQU).
  • No caso do heterodímero de filamento intermediário NFM–INA, o ESMPair prediz corretamente uma estrutura de feixe de quatro hélices consistente com evidências experimentais, enquanto o AlphaFold-Multimer predisse coils separados.

Significado e Alegações

O artigo alega que o ESMPair aborda efetivamente o gargalo do pareamento de MSA na predição de heterodímeros ao alavancar a rica informação de co-evolução codificada em Modelos de Linguagem de Proteínas.

• Generalizabilidade: O método é descrito como um algoritmo geral e automático que não depende de heurísticas específicas de domínio (como localização de operon), tornando-o robusto através de diferentes domínios taxonômicos, particularmente onde métodos tradicionais falham (Eucariotos).
• Complementaridade: O trabalho destaca que diferentes estratégias de pareamento capturam sinais diferentes; portanto, uma abordagem de ensemble é a maneira mais eficaz de identificar interólogos.
• Impacto: Ao melhorar a qualidade dos MSAs de entrada, o ESMPair aprimora significativamente a precisão de modelos de predição de estrutura a jusante, como o AlphaFold-Multimer, particularmente para alvos desafiadores que são atualmente difíceis de modelar. Os autores observam que essa abordagem tem implicações profundas para aplicações biológicas que dependem de predições de estrutura de complexos de alta qualidade.

A tese conclui que, embora o ESMPair seja um passo significativo para frente, o campo deve continuar a explorar maneiras de alavancar PLMs para construção e seleção de MSA, e que esses métodos podem ser aplicados para melhorar outras aplicações baseadas em MSA na biologia estrutural.