Bayesian Learning of Distance Metrics Beyond RMSD for Biomolecule Alignment, Clustering, and Domain Identification

Resumo Técnico: Aprendizado Bayesiano de Métricas de Distância Além do RMSD para Alinhamento, Agrupamento e Identificação de Domínios de Biomoléculas

Definição do Problema
O desvio de raiz quadrada média (RMSD) é a métrica padrão para quantificar a similaridade estrutural em simulações de dinâmica molecular (MD). No entanto, o RMSD convencional atribui um peso igual a todos os átomos em um conjunto pré-selecionado (por exemplo, átomos C$\alpha$), independentemente de sua mobilidade. Esse peso uniforme faz com que alças flexíveis, terminações desordenadas e conectores móveis dominem a métrica global, frequentemente obscurecendo os estados conformacionais do núcleo funcional rígido. Existem soluções alternativas — como seleção manual de átomos ou exclusão iterativa de outliers — que dependem do usuário, são difíceis de generalizar e comprometem a reprodutibilidade em campanhas de simulação automatizadas. Os métodos existentes baseados em ensembles que capturam a dinâmica específica da trajetória tratam o cálculo de pesos e a superposição de coordenadas como operações sequenciais e desacopladas, deixando questões sobre a autossustentabilidade matemática entre os pesos e a estrutura média resultante.

Metodologia
Os autores introduzem o RMSD Bayesiano-ótimo (BRMSD), um framework que unifica o alinhamento estrutural e a otimização de pesos atômicos em um único funcional de energia livre derivado de um posterior Bayesiano.

• Formulação Bayesiana: O método assume uma distribuição a priori para os pesos atômicos e uma função de verossimilhança baseada no desvio quadrático médio (MSD) ponderado entre as estruturas e uma referência. O free energy efetivo $G$ a ser minimizado combina o MSD agregado com um termo de divergência de Kullback–Leibler (KL) que penaliza desvios de uma distribuição de peso a priori uniforme.
  $$G = \sum_i \text{MSD}(x_i, s; w) + M\sigma^2 \sum_\alpha w_\alpha \ln \frac{w_\alpha}{W_\alpha}$$
  Aqui, $s$ é a estrutura de referência, $w$ é o vetor de pesos atômicos e $\sigma$ é um parâmetro de flutuação de posição (em Å). O parâmetro $\sigma$ controla o equilíbrio: um $\sigma$ grande recupera o RMSD clássico (pesos uniformes), enquanto um $\sigma$ pequeno concentra os pesos nos átomos mais rígidos.
• Otimização: A minimização de $G$ resulta em uma iteração de ponto fixo onde os pesos são atualizados com base na flutuação quadrática média (MSF) por átomo relativa à estrutura média atual. Átomos com flutuações que excedem $\sigma^2$ são exponencialmente suprimidos, enquanto átomos rígidos mantêm pesos quase uniformes.
• Extensões Modulares: O funcional central é adaptado para cinco módulos distintos de análise:
  1. Alinhamento Estrutural: Encontra uma estrutura média global e pesos ótimos.
  2. Alinhamento Focado: Introduz uma penalidade de concentração para enviesar os pesos em direção a um domínio de usuário $D$, enquanto ainda inclui o restante da estrutura.
  3. Suavização de Trajetória: Substitui a média global por uma média local e de janela para suprimir o ruído térmico de alta frequência enquanto preserva dinâmicas conformacionais lentas.
  4. Agrupamento Conformacional: Estende o framework para agrupamento (clustering) K-means suave, onde cada cluster possui seu próprio centro e um vetor de peso atômico específico, adaptando a métrica à rigidez interna de cada estado.
  5. Identificação de Domínios Rígidos: Particiona átomos em domínios via descamação (peeling) sequencial, identificando subestruturas rígidas em ordem de rigidez global decrescente.

Resultados Principais
O framework BRMSD foi testado em dois sistemas: a proteína associada ao translocon SND3 e a adenilato quinase (ADK).

• SND3 (Alinhamento & Suavização):
  • Alinhamento: Com um $\sigma$ ótimo de 0,43 Å, o BRMSD identificou automaticamente a fenda transmembranar (TM) rígida como o núcleo estrutural dominante, suprimindo os pesos para as garras citosólicas móveis. O BRMSD resultante (0,50 ± 0,08 Å) foi aproximadamente três vezes menor que o RMSD padrão (1,64 ± 0,25 Å).
  • Alinhamento Focado: Ao enviesar a otimização em direção à hélice TMD-1 (que é menos rígida que o núcleo), o método recuperou sua dinâmica interna, reduzindo seu RMSF médio em 24% comparado ao alinhamento global.
  • Suavização: A aplicação de uma janela triangular de 4,0 ns reduziu a variância da trajetória em ~73%, mantendo os movimentos coletivos lentos.
• ADK (Agrupamento & Identificação de Domínios):
  • Agrupamento: O agrupamento K-means suave separou com sucesso os estados conformacionais aberto e fechado da ADK. Os centros dos clusters alinharam-se com parâmetros de ordem conhecidos (distâncias NMPbind–LID e LID–CORE). Crucialmente, os pesos específicos de cada cluster permitiram que a métrica focasse nos domínios móveis que distinguem os estados, proporcionando uma separação mais limpa do que os parâmetros de ordem puramente geométricos.
  • Identificação de Domínios: A descamação sequencial recuperou com sucesso os três domínios rígidos conhecidos (CORE, LID, NMPbind) em ordem de rigidez decrescente, alcançando índices de Jaccard de 0,94, 0,99 e 1,00, respectivamente. A otimização simultânea de múltiplos domínios falhou, pois todos os vetores de peso colapsaram na região globalmente mais rígida (CORE), destacando a necessidade da abordagem de descamação sequencial.

Significância e Alegações
O artigo afirma que o BRMSD fornece um framework unificado, reprodutível e automatizado para tarefas de análise estrutural que tradicionalmente exigem intervenção manual. Ao derivar os pesos de um posterior Bayesiano, o método elimina a necessidade de regras de seleção de átomos ad hoc.

• Automação: O framework automatiza a atribuição de pesos atômicos com base no MSF por átomo, permitindo a identificação automática de núcleos rígidos e regiões flexíveis sem viés do usuário.
• Flexibilidade: Um único parâmetro ($\sigma$) controla a transição do RMSD padrão para um foco em subestruturas rígidas, adaptável a diferentes módulos (alinhamento, agrupamento, detecção de domínios).
• Robustez: Os pesos convergidos mostraram-se invariantes ao número de frames (uma vez que as estimativas de MSF convergem) e ao subconjunto específico de átomos selecionados, desde que o núcleo rígido permaneça incluído.

Limitações Reconhecidas
Os autores notam modestamente algumas limitações atuais:

1. O $\sigma$ ótimo é dependente da tarefa e do sistema, carecendo de uma regra única e universal para seleção.
2. A seleção de parâmetros para agrupamento e identificação de domínios depende atualmente de índices de qualidade (ex: Calinski–Harabasz, Jaccard) que requerem rótulos de verdade fundamental (ground-truth); um seletor totalmente livre de rótulos permanece um problema em aberto.
3. A implementação atual é apenas para CPU.
4. Uma extensão proposta para uma métrica do tipo Mahalanobis para flutuações anisotrópicas foi derivada, mas ainda não implementada.

Os autores concluem que o BRMSD serve como uma fundação para desenvolvimentos futuros, incluindo aceleração por GPU, seleção de parâmetros livre de rótulos e o uso de pesos convergidos como máscaras para análise de componentes independentes com tempo de atraso (TICA) ou como alvos de treinamento para redes neurais.