📄 molecular biology

FlexRibbon: Joint Sequence and Structure Pretraining for Protein Modeling

O FlexRibbon é um novo modelo de fundação de proteínas que pré-treina conjuntamente sequências de aminoácidos e estruturas 3D usando uma combinação de modelagem de linguagem mascarada e denoising baseado em difusão, alcançando desempenho de estado da arte em diversas tarefas — particularmente em regimes ricos em mutações onde métodos tradicionais baseados em MSA falham — sem depender de alinhamentos de múltiplas sequências.

Autores originais: Zhu, J., Shi, Y., Bi, R., Jin, P., Liu, C., Zhang, Z., Huang, H., Guo, Z., Hu, P., Ju, F., Huang, L., Tai, X., Li, C., Gao, K., Wei, X., Xia, H., Zhang, J., Min, Y., Wang, Z., Wang, Y., He, L., Liu, H

Publicado 2026-07-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zhu, J., Shi, Y., Bi, R., Jin, P., Liu, C., Zhang, Z., Huang, H., Guo, Z., Hu, P., Ju, F., Huang, L., Tai, X., Li, C., Gao, K., Wei, X., Xia, H., Zhang, J., Min, Y., Wang, Z., Wang, Y., He, L., Liu, H., Qin, T.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine o mundo das proteínas como uma cidade enorme e movimentada. Por muito tempo, os cientistas que tentavam compreender essa cidade tinham que escolher entre dois mapas muito diferentes.

O primeiro mapa era como um livro de gramática. Ele olhava apenas para a sequência de letras (aminoácidos) que compõem uma proteína, ignorando como a cidade realmente se parecia. Era ótimo para entender a "linguagem" da vida, mas frequentemente se perdia ao tentar entender a forma 3D dos edifícios.

O segundo mapa era como uma pesquisa de opinião colaborativa. Ele dependia de observar milhares de cidades semelhantes (primas evolutivas) para adivinhar como uma nova cidade seria. Isso era incrivelmente preciso para edifícios padrão, mas se você tentasse mapear um arranha-céu novo e de formato estranho, ou uma cidade que mudou demais seu layout, a pesquisa falhava porque não havia exemplos semelhantes para comparar.

Surge o FlexRibbon, um novo tipo de cartógrafo que decidiu parar de escolher entre o livro de gramática e a pesquisa de opinião. Em vez disso, ele aprendeu a ler a gramática e a observar as plantas arquitetônicas ao mesmo tempo.

O Ingrediente Secreto: Uma Via de Mão Dupla

A maioria dos modelos anteriores era como uma rua de mão única: eles pegavam uma sequência de letras e tentavam adivinhar a forma. O FlexRibbon construiu uma via de mão dupla. Ele aprendeu que as letras determinam a forma, mas a forma também diz quais devem ser as letras.

Para ensinar isso, os pesquisadores usaram um jogo de treinamento inteligente. Eles pegaram uma proteína, embaralharam sua forma 3D com ruído (como sacudir um globo de neve) e pediram ao modelo para limpá-la. Ao mesmo tempo, esconderam algumas das letras na sequência e pediram ao modelo para adivinhá-las, mas com um toque: ele tinha que usar a forma 3D bagunçada como uma dica para fazer o palpite correto. Isso forçou o modelo a entender que a sequência e a estrutura estão travadas juntas, como uma fechadura e uma chave que não podem ser separadas.

Por Que Isso Importa: As Partes "Bagunçadas"

A verdadeira magia acontece nas partes bagunçadas da cidade. Na biologia, algumas proteínas têm braços flexíveis e maleáveis (como alças de anticorpos) ou mudam de forma quando agarram algo. Os antigos modelos de "pesquisa" (que dependem de encontrar primos semelhantes) costem a ficar presos aqui porque essas partes maleáveis mudam demais para terem um padrão claro nos dados evolutivos.

O FlexRibbon, no entanto, lida com essas regiões complicadas de forma diferente. Em vez de depender de uma "multidão de primos" para encontrar um padrão, ele ignora a necessidade dessa pesquisa inteira. Ao modelar diretamente a ligação entre a sequência individual e sua estrutura, ele consegue prever essas regiões flexíveis e altamente mutadas com uma precisão surpreendente, mesmo quando os sinais evolutivos são fracos ou inexistentes.

A Prova: 12 Diferentes Desafios

A equipe não apenas disse que funcionava; eles submeteram o FlexRibbon a um teste de resistência de 12 tarefas diferentes para ver se ele conseguiria lidar com problemas do mundo real. Aqui está o que descobriram:

Design de Anticorpos: Quando solicitado a projetar anticorpos (os defensores do corpo) para aderir a vírus, o FlexRibbon teve sucesso 61,3% das vezes para anticorpos padrão e 51,1% para nanocorpos (anticorpos minúsculos). Este foi um grande salto em relação aos melhores métodos anteriores, que estavam estagnados em torno de 46,7% e 44,0%, respectivamente.
Ligação de Peptídeos: Para prever como pequenas cadeias de proteínas (peptídeos) aderem a proteínas maiores, o FlexRibbon atingiu uma taxa de sucesso de 91,4%, superando o próximo melhor método em 7,0% a 10,2%.
Descoberta de Medicamentos: Ao tentar adivinhar quão bem uma molécula de medicamento se ligaria a uma proteína, o FlexRibxion alcançou um índice de correlação de 0,848 e uma taxa de erro de 1,150, superando todos os outros métodos testados.
Mudança de Forma: O modelo também foi capaz de prever como uma proteína muda de forma quando um medicamento se liga a ela, alcançando um índice de similaridade estrutural (TM-score) de 0,985 em um caso de teste, o que é incrivelmente próximo do real.

O Que Ele NÃO É

É importante saber o que o FlexRibbon não faz. Ele não depende da "pesquisa colaborativa" (Alinhamentos de Múltiplas Sequências) que modelos mais antigos usavam para fazer previsões. Se você der a ele uma proteína com pouquíssimos primos evolutivos, os modelos antigos podem ter dificuldades porque sua pesquisa não tem dados, mas o FlexRibbon tem sucesso ao confiar em seu entendimento interno da ligação direta entre sequência e estrutura, permitindo navegar em regiões onde os sinais de alinhamento são fracos.

A Conclusão

O artigo sugere que, ao ensinar um modelo a aprender sequências e estruturas juntas, em vez de uma após a outra, obtemos uma ferramenta muito mais flexível e precisa. Não é apenas um melhor adivinhador; é um melhor projetista. Quer seja criando novos anticorpos para combater doenças ou descobrindo como os medicamentos se encaixam em seus alvos, o FlexRibbon mostra que, quando você deixa a sequência e a estrutura conversarem entre si, todo o sistema funciona melhor.

Os autores mediram esses resultados em benchmarks específicos, como o desafio CASP15 e o conjunto de dados PoseBusters V1, descobrindo que o FlexRibbon consistentemente atingiu novas pontuações altas, especialmente nas áreas complicadas e ricas em mutações, onde outros métodos frequentemente tropeçam. É um passo em direção a um futuro onde podemos projetar proteínas do zero com a mesma facilidade de escrever uma frase.

Resumo Técnico: FlexRibbon

Declaração do Problema

Os modelos de fundação de proteínas (PFMs) avançaram rapidamente, mas geralmente se enquadram em dois paradigmas dominantes com limitações distintas. Modelos de linguagem baseados em sequência (ex: ESM-2, ProtT5) capturam a semântica da sequência em escala, mas carecem de relevância física e informação geométrica tridimensional, limitando sua capacidade de modelar a base estrutural da função proteica. Por outro conjunto, preditores baseados em MSA (ex: AlphaFold 2/3) alcançam alta precisão ao explorar acoplamentos evolutivos, mas dependem fortemente de sequências homólogas. Essa dependência os torna menos confiáveis em regimes com alinhamentos esparsos, regiões altamente mutadas ou interfaces flexíveis (como loops CDR de anticorpos e regiões intrinsecamente desordenadas). Além disso, os modelos conjuntos existentes costumam tratar a estrutura como um sinal auxiliar, em vez de modelá-la de forma bidirecional, ou sofrem de gargalos de memória ao tentar o aprendizado estrutural de átomo total junto com a semântica de sequência.

Metodologia

FlexRibbon é um modelo de proteína pré-treinado de 3 bilhões de parâmetros, projetado para aprender conjuntamente a partir de sequências de aminoácidos e estruturas tridimensionais sem a necessidade de Alinhamentos de Múltiplas Sequências (MSAs).

1. Estratégia de Pré-treinamento

A inovação central é um objetivo de pré-treinamento unificado que combina Modelagem de Linguagem Mascarada (MLM) com Denoising baseado em Difusão. Isso permite o aprendizado bidirecional sequência-estrutura:

Modelagem de Linguagem Mascarada Estruturalmente Informada (SIMLM): O modelo integra ruído de difusão em representações estruturais durante a recuperação de sequência. Ele emprega três modos de treinamento: (1) Sequência-para-Estrutura (difusão padrão), (2) Perturbação Acoplada (mascaramento de resíduos e adição de ruído às suas estruturas locais) e (3) Perturbação Global com Máscara de Sequência (mascaramento de resíduos enquanto aplica ruído a todas as estruturas). Isso incentiva o aprendizado robusto da relação bidirecional entre identidade de sequência e conformação 3D.
Pré-treinamento de Difusão: O modelo utiliza um processo de difusão de variância explosiva para remover o ruído das coordenadas de átomos pesados. Ele impõe invariância rotacional via aumento de dados (rotações SO(3) aleatórias) em vez de arquiteturas equivariantes pesadas, e remove a liberdade de translação ao centralizar as estruturas em seu centro de massa.

2. Arquitetura

O FlexRibbon utiliza uma arquitetura hierárquica de três estágios para equilibrar eficiência e expressividade:

Módulo de Sequência: Um codificador Transformer que incorpora conjuntamente resíduos de proteínas e átomos de pequenas moléculas. Ele inclui características de ligação covalente 2D via uma projeção aprendida, permitindo que o modelo recupere padrões de ligação a partir de identidades atômicas.
Módulo de Estrutura de Grão Grosso: Um Transformer de Difusão (DiT) que remove o ruído das coordenadas no nível de resíduo para proteínas e no nível de átomo para pequenas moléculas, condicionado aos embeddings de sequência.
Módulo de Estrutura de Átomo Total: Um segundo DiT que refina as saídas de grão grosso para resolução de átomo total. Ele utiliza vieses de atenção aprendíveis para ligações covalentes para garantir a validade química, reconciliando o contexto global do resíduo com interações atômicas detalhadas.

3. Treinamento e Funções de Perda

O objetivo de treinamento integra quatro componentes:

Perda de Difusão ( $L_{MSE}$ ): Perda de denoising para reconstrução estrutural.
Perda de MLM ( $L_{MLM}$ ): Recuperação de sequência via predição de resíduo mascarado.
Perda de Distância ( $L_{Dist}$ ): Regulariza as distâncias inter-resíduos previstas para manter uma geometria terciária realista.
Perda Smooth-lDDT ( $L_{smooth-lDDT}$ ): Alinha o treinamento com métricas de precisão geométrica local.
Pesagem Adaptativa: Uma perda de difusão ponderada por confiança escala as contribuições baseadas em pesos sigmoides derivados de pLDDT, reduzindo o ruído de regiões de baixa confiança (ex: estruturas previstas pelo AlphaFold 2) enquanto enfatiza sinais confiáveis.

O treinamento ocorre em três estágios progressivos (A, B, C) aumentando o comprimento da sequência (384 $\to$ 768 $\to$ 1024 resíduos) e introduzindo o treinamento de MLM e do cabeçote de confiança em estágios posteriores.

Principais Contribuições

Estratégia de Pré-treinamento Inovadora: O FlexRibbon unifica a predição e o design de estrutura de proteínas combinando MLM com denoising baseado em difusão, aprendendo um mapeamento bidirecional sequência-estrutura em vez de um mapeamento unidirecional sequência-para-estrutura.
Modelagem Hierárquica: Introduz uma estratégia que equilibra a capacidade escalável entre representações de sequência e estrutura, superando os gargalos de memória de modelos anteriores de átomo total e permitindo o aprendizado estrutural em larga escala de forma eficaz.
Capacidade de Co-design: O modelo permite o co-design de sequência e estrutura proteica, destacando-se particularmente em regiões flexíveis e altamente mutadas (ex: loops CDR de anticorpos/nanocorpos) onde métodos baseados em MSA têm dificuldade.
Generalização Ampla: Demonstra ganhos consistentes em 12 tarefas diversas, mostrando que o pré-treinamento sequência-estrutura transfere amplamente além do simples dobramento de proteínas.

Resultados Experimentais

O FlexRibbon foi avaliado em três famílias de tarefas: predição/design de interface flexível, predição de interação intermolecular e predição de função proteica.

Interfaces Flexíveis: Na predição de interface de anticorpo e nanocorpo (SAb23H2), o FlexRibbon alcançou taxas de sucesso de 61,3% (antígeno-anticorpo) e 51,1% (antígeno-nanocorpo), superando o IgGM em 14,6% e 7,1%, respectivamente. Na predição de interface proteína-peptídeo (FoldBench), atingiu uma taxa de sucesso de 91,4%, superando o AlphaFold 3 e o PepGLAD.
Design de Anticorpos/Nanocorpos: O FlexRibbon alcançou uma recuperação de aminoácidos (AAR) de 41,4% para anticorpos e 21,8% para nanocorpos, com taxas de sucesso de 46,0% e 43,7%, respectivamente, superando baselines como dyMEAN e IgGM.
Interações Intermoleculares:
- Docking: No benchmark PoseBusters V1, o FlexRibbon alcançou uma taxa de sucesso de 71,82% (random-1) e 78,70% (oracle), atingindo paridade com métodos baseados em MSA como o AlphaFold 3 e superando significativamente os baselines de sequência única.
- Mudança Conformacional: Na predição de mudança conformacional induzida por ligante, o FlexRibbon alcançou um escore TM-ens de 0,889 (zero-shot), melhorando o ESMDiff em 0,038.
- Afinidade de Ligação: No CASF-2016, o FlexRibbon alcançou o melhor RMSE (1,150) e correlação de Pearson (0,848) entre os baselines comparados.
Predição de Função: Nas tarefas de Gene Ontology (GO) e Enzyme Commission (EC), o FlexRibbon alcançou F1 scores de 0,891 (EC), 0,539 (GO-BP), 0,694 (GO-MF) e 0,560 (GO-CC), superando baselines de sequência única e híbridos.
Predição de Estrutura: No CASP15, o FlexRibbon alcançou um TM-score de 0,703, superando o ESMFold e o ESM3.
Estimativa de Confiança: Os escores pTM previstos pelo modelo mostraram uma forte correlação (R = 0,89) com os escores TM observados no CASP15.

Significância e Alegações

O artigo afirma que o FlexRibbon estabelece um novo estado da arte de desempenho em 12 tarefas diversas, com ganhos particularmente fortes em configurações ricas em mutações onde métodos baseados em MSA frequentemente falham. Os autores afirmam que os resultados destacam as vantagens consistentes do pré-treinamento conjunto sequência-estrutura, demonstrando que tal abordagem permite o co-design de sequência e estrutura e captura conformações flexíveis críticas para a função biológica. Ao modelar com sucesso as dependências bidirecionais sem depender de MSAs, o FlexRibbon é apresentado como um modelo de fundação de uso geral que estende os benefícios da modelagem de proteínas além do dobramento para tarefas complexas de design e predição de interação.