Metagenomic-scale analysis of the predicted protein structure universe

Este estudo integra mais de 820 milhões de estruturas proteicas previstas pelo AlphaFold2 e ESMfold no conjunto de dados AFESM, revelando milhões de clusters estruturais, dezenas de novos dobras de domínio e milhares de combinações inéditas que destacam a importância dos dados metagenômicos para explorar a diversidade e a novidade do universo estrutural das proteínas.

O essencial

Imagine que a vida na Terra é como uma biblioteca gigantesca e infinita. Durante décadas, os cientistas só conseguiam ler os livros que estavam em prateleiras organizadas (os organismos que conseguimos cultivar em laboratório). Mas, recentemente, descobrimos que existe um "porão" cheio de livros empoeirados, escritos em línguas estranhas e com páginas rasgadas, que nunca ninguém leu: são os micróbios que vivem em lugares onde não conseguimos entrar, como no fundo do oceano ou dentro de rochas.

Este artigo é como a história de uma equipe de bibliotecários super-rápidos que decidiu organizar essa biblioteca inteira de uma só vez.

Aqui está a explicação do que eles fizeram, usando analogias simples:

1. O Grande Acervo (AFESM)

Os cientistas juntaram dois grandes conjuntos de dados:

• O "Conhecido" (AFDB): Mais de 200 milhões de "desenhos" de proteínas (as máquinas que fazem a vida funcionar) feitos por um computador inteligente chamado AlphaFold.
• O "Desconhecido" (ESMatlas): Mais de 600 milhões de desenhos de proteínas vindas de micróbios que nunca foram vistos, vindos de amostras de solo, água e ar.

Eles misturaram tudo isso em um único "super-banco de dados" chamado AFESM. É como se tivessem juntado a Enciclopédia Britânica com um milhão de cadernos de anotações rabiscados de exploradores perdidos.

2. A Triagem (Agrupamento)

Com 820 milhões de entradas, ninguém consegue ler tudo. Então, eles usaram um "peneira mágica" (algoritmos) para agrupar coisas parecidas.

• A Analogia: Imagine que você tem 820 milhões de peças de Lego. A maioria são peças repetidas. Eles juntaram as peças que se parecem em "caixas".
• O Resultado: Eles encontraram 5,12 milhões de caixas (grupos) onde as peças dentro eram estruturalmente semelhantes. Isso reduziu o caos e permitiu estudar os padrões.

3. Onde eles vivem? (Biomas)

Uma parte incrível do estudo foi perguntar: "De onde vêm essas proteínas?"

• Eles descobriram que certas "caixas" de proteínas aparecem apenas em lugares extremos.
• Exemplo: Proteínas que só existem em fontes termais (água fervendo) parecem ser feitas de "tijolos de fogo" (são resistentes ao calor). Já as do fundo do mar parecem ter "tijolos de pressão".
• Isso mostra que a vida adapta suas máquinas (proteínas) para sobreviver em ambientes específicos, como um pescador usando roupas de mergulho e um alpinista usando roupas de neve.

4. A Caça às Novidades (Folds Novos)

A grande pergunta era: "Será que encontramos formas de Lego completamente novas que ninguém nunca viu?"

• A Realidade: Eles encontraram apenas 12 formas totalmente novas (chamadas "novos dobras" ou novel folds) entre os milhões de amostras.
• A Lição: Isso é como procurar um novo tipo de peça de Lego em um oceano de peças e achar apenas 12. Isso sugere que a "caixa de ferramentas" básica da vida (as formas fundamentais das proteínas) já foi quase toda descoberta. A natureza é criativa, mas usa as mesmas formas básicas de maneiras diferentes.
• O Pulo do Gato: Eles perceberam que muitos dos desenhos originais eram de "baixa qualidade" (como desenhos borrados). Quando eles redesenharam esses borrões com mais cuidado, encontraram mais 33 formas novas. Isso nos ensina que a qualidade do desenho importa muito para descobrir o novo.

5. O Verdadeiro Tesouro: Combinações Novas

Se as peças individuais (as formas) não eram tão novas, onde estava a inovação?

• A Descoberta: A verdadeira novidade estava em como as peças eram combinadas.
• A Analogia: Imagine que você tem peças de Lego que já conhece (uma roda, uma janela, uma porta). Você nunca viu uma casa com uma roda na janela e uma porta feita de vidro.
• Eles encontraram 11.941 combinações de domínios (peças) que nunca haviam sido vistas juntas antes.
• Exemplo: Encontraram proteínas que misturam uma parte que vive na membrana celular com uma parte que faz química no interior da célula, algo que a biologia tradicional não previa. É como encontrar um carro que tem asas de avião e rodas de caminhão, funcionando perfeitamente.

Conclusão Simples

Este estudo nos diz duas coisas importantes:

1. A vida é conservadora: As formas fundamentais das "máquinas" da vida (proteínas) são limitadas e já conhecemos a maioria delas.
2. A vida é criativa na montagem: A verdadeira inovação não está em inventar novas peças, mas em montar as peças conhecidas de maneiras nunca antes vistas.

O metagenoma (os micróbios invisíveis) é como um vasto laboratório de invenção onde a natureza está constantemente testando novas combinações para sobreviver em ambientes extremos. E agora, graças a esse estudo, temos um mapa para explorar essas invenções.

Onde ver isso?
Os autores criaram um site interativo (como um Google Maps das proteínas) onde qualquer pessoa pode explorar esses novos mundos: afesm.foldseek.com.

Resumo técnico

Título: Análise em Escala Metagenômica do Universo de Estruturas Proteicas Previstas

1. O Problema

O avanço das ferramentas de previsão de estrutura proteica, especificamente AlphaFold2 e ESMFold, resultou em uma explosão sem precedentes de dados estruturais computacionais. O Banco de Dados de Estrutura Proteica AlphaFold (AFDB) contém mais de 214 milhões de modelos, enquanto o Atlas Metagenômico ESM (ESMatlas) oferece mais de 600 milhões de previsões derivadas de micróbios não cultivados ("matéria escura" da vida).
Apesar desse volume massivo, o potencial do ESMatlas permanece subexplorado. A organização e interpretação de quase um bilhão de estruturas exigem ferramentas computacionais eficientes para:

• Reduzir a redundância.
• Identificar relações evolutivas e estruturais.
• Descobrir novos dobras (folds) e combinações de domínios que não existem em bancos de dados experimentais (PDB).
• Compreender a diversidade estrutural em diferentes biomas e linhagens taxonômicas.

2. Metodologia

Os autores desenvolveram um pipeline computacional escalável para integrar, clusterizar e analisar o conjunto de dados combinado de 820 milhões de entradas (AFDB + ESMatlas), denominado AFESM.

• Pré-processamento e Filtragem:
  • Remoção de fragmentos de proteínas (comuns em dados metagenômicos) agrupando-os com suas proteínas completas correspondentes.
  • Seleção de representantes de clusters baseada no comprimento (≥70% do mais longo) e na qualidade da previsão (maior pontuação pLDDT). Clusters com pLDDT médio < 60 foram descartados.
• Clustering em Duas Etapas:
  1. Baseado em Sequência: Uso do MMseqs2 para agrupar proteínas com alta identidade de sequência (cutoff de 30%), reduzindo a redundância inicial.
  2. Baseado em Estrutura: Uso do Foldseek para agrupar os representantes restantes por similaridade estrutural, permitindo a detecção de homólogos na "zona do crepúsculo" (baixa identidade de sequência, mas alta similaridade estrutural).
• Anotação e Análise:
  • Taxonomia: Predição de rótulos taxonômicos para o ESMatlas (que carece de metadados) usando o MMseqs2 Taxonomy contra bancos de dados híbridos (GTDB para Bactérias/Arqueias e UniRef90 para Eucariotos/Vírus). Cálculo do Ancestral Comum Mais Baixo (LCA) para cada cluster.
  • Biomas: Mapeamento de anotações de bioma do MGnify para calcular o Bioma Comum Mais Baixo (LCB) dos clusters, identificando estruturas específicas de habitats.
  • Descoberta de Novos Folds: Segmentação de proteínas em domínios usando consenso de ferramentas (Merizo, Chainsaw, UniDoc). Os domínios foram filtrados por qualidade e buscados contra o banco de dados CATH e a Encyclopedia of Domains (TED). Domínios sem correspondência foram reavaliados com ColabFold para melhorar a qualidade.
  • Combinações de Domínios: Análise de proteínas multivariadas (MDPs) para identificar arranjos de domínios nunca antes vistos.

3. Principais Contribuições

• AFESM: Criação do maior recurso integrado de estruturas proteicas previstas até a data (820 milhões de entradas), contendo 5,12 milhões de clusters estruturais não-singulares.
• Pipeline de Descoberta de Novos Folds: Uma metodologia robusta que combina filtragem de qualidade, busca estrutural e re-previsão (ColabFold) para distinguir artefatos de previsão de verdadeiras novidades estruturais.
• Webserver Interativo: Disponibilização de dados e ferramentas de exploração em afesm.foldseek.com.
• Análise de Bioma: Atribuição sistemática de estruturas a habitats específicos, revelando adaptações evolutivas em ambientes extremos.

4. Resultados Chave

• Escala e Diversidade:
  • O AFESM gerou 5,12 milhões de clusters estruturais não-singulares.
  • A maioria dos clusters (78%) é conservada em nível de super-reino ou acima, e 83,5% não são específicos de um único bioma, indicando uma "caixa de ferramentas" de domínios compartilhada amplamente na vida celular.
• Novos Folds (Dobras):
  • A descoberta de novos folds recorrentes é rara. A partir de clusters exclusivos do ESMatlas, foram identificados apenas 12 novos folds iniciais.
  • Ao re-predizer com ColabFold uma subamostra de domínios de baixa qualidade inicialmente descartados, foram descobertos 33 novos folds adicionais.
  • Isso destaca que a qualidade da previsão é crítica para a descoberta de novidades estruturais; muitos "novos folds" iniciais eram artefatos de baixa confiança.
• Combinações de Domínios (Inovação Estrutural):
  • Enquanto novos folds são raros, a recombinação de domínios existentes é abundante.
  • Foram identificadas 11.941 combinações de domínios (arquiteturas de proteínas multivariadas) que são únicas para o conjunto de dados ESMatlas e não existem no AFDB.
  • Muitas dessas combinações envolvem domínios de membrana e enzimas, sugerindo novos mecanismos de regulação e transporte adaptados a nichos específicos.
• Especificidade de Bioma:
  • Clusters específicos de ambientes extremos (ex.: fontes termais, ambientes hipersalinos) mostram associações taxonômicas consistentes com a ecologia conhecida (ex.: Thermoproteota em fontes termais).
  • Domínios específicos de biomas foram identificados (ex.: domínios de transporte em ambientes marinhos, domínios F-box no ar), sugerindo adaptações funcionais a pressões ambientais.

5. Significância e Conclusão

Este estudo representa a primeira análise estrutural abrangente integrando quase um bilhão de previsões de metagenômica e dados de organismos cultivados.

• Conclusão Principal: O espaço de "folds" (dobras) fundamentais para proteínas recorrentes parece estar próximo da saturação. A verdadeira inovação estrutural descoberta em metagenomas não reside tanto na criação de novas dobras do zero, mas sim na recombinação criativa de domínios existentes em novas arquiteturas.
• Impacto: O trabalho ilumina regiões inexploradas do universo estrutural proteico, fornecendo hipóteses para funções biológicas em micróbios não cultivados e destacando a importância de dados metagenômicos para entender a evolução e adaptação da vida em diversos ecossistemas.
• Limitações: A alta fração de fragmentos nos dados metagenômicos e as limitações atuais dos modelos de linguagem proteica (ESMFold) ainda impedem a descoberta de uma quantidade maior de novos folds, sugerindo que métodos futuros de previsão de estruturas completas e complexos multimericos são necessários para desvendar o restante da "matéria escura" estrutural.