Protenix-v1: Toward High-Accuracy Open-Source Biomolecular Structure Prediction

O artigo apresenta o Protenix-v1, o primeiro modelo de previsão de estrutura biomolecular totalmente de código aberto que supera o AlphaFold3 em precisão, incorpora recursos avançados como integração de templates e suporte a RNA, e oferece uma variante atualizada com dados mais recentes, estabelecendo novas bases para avaliação e aplicações no campo.

O essencial

Imagine que você é um arquiteto tentando desenhar a planta de um prédio complexo, mas você só tem uma foto borrada da fachada. No mundo da biologia, "desenhar o prédio" significa prever a forma tridimensional de proteínas e outras moléculas, o que é crucial para criar novos remédios e entender doenças.

Até agora, o "arquiteto" mais famoso e preciso era o AlphaFold3, da DeepMind. O problema? Ele é um "segredo de estado". Ninguém sabe exatamente como ele funciona por dentro, e você não pode baixar o código para usar ou melhorar.

Aqui entra o Protenix-v1, o novo herói de código aberto que acaba de chegar para mudar as regras do jogo.

Aqui está o resumo da história, explicado de forma simples:

1. O Grande Desafio: O "Segredo" vs. O "Livro Aberto"

O AlphaFold3 é como um mestre cozinheiro que tem uma receita secreta. Ele faz pratos incríveis, mas você não pode ver a receita. Outros chefs (modelos de código aberto) tentavam imitá-lo, mas os pratos deles sempre saíam um pouco mais ruins.

O Protenix-v1 é o primeiro chef de código aberto que conseguiu cozinhar um prato tão bom quanto (ou até melhor) que o do mestre secreto, usando os mesmos ingredientes (dados de treinamento) e o mesmo orçamento de energia (custo computacional). E o melhor: ele abriu a cozinha para todos verem a receita!

2. O Truque do "Mestre de Cerimônias" (Escalabilidade)

Uma das descobertas mais legais do Protenix-v1 é como ele lida com problemas difíceis, como prever como um anticorpo se encaixa em um vírus.

• Como era antes: Se você pedisse a um modelo antigo para tentar adivinhar a forma 5 vezes, ele dava 5 respostas. Se nenhuma fosse perfeita, você ficava com a média delas (que ainda era ruim).
• Como é com o Protenix-v1: Imagine que você contrata 100 arquitetos diferentes para desenhar o mesmo prédio. O Protenix-v1 é inteligente: ele gera 100 versões diferentes e, em seguida, escolhe a melhor delas.
• A Analogia: É como jogar dardos. Se você joga uma vez, pode errar o alvo. Se você joga 100 vezes e escolhe o dardo que ficou mais perto do centro, suas chances de acertar aumentam drasticamente. O Protenix-v1 mostra que, quanto mais você "joga" (gasta mais poder de computação para gerar mais amostras), melhor fica o resultado final. Isso é algo que os modelos abertos anteriores não conseguiam fazer bem.

3. A "Caixa de Ferramentas" Melhorada

O Protenix-v1 não é apenas uma cópia; ele tem ferramentas novas que os outros não tinham:

• Suporte para RNA: Antes, era difícil prever como proteínas e RNA (outra molécula vital) se abraçam. O Protenix-v1 agora entende essa dança perfeitamente.
• Modelos de Referência (Templates): Ele pode olhar para "fotos antigas" de estruturas similares para ajudar a desenhar a nova, como um arquiteto olhando para prédios antigos para inspirar um novo.

4. Duas Versões para Dois Propósitos

Os criadores lançaram duas versões do modelo, como se fossem dois tipos de ferramentas:

1. Protenix-v1 (Padrão): É o "arquiteto de comparação". Ele usa dados antigos (cortados em 2023) para garantir que a comparação com o AlphaFold3 seja justa e limpa. É o modelo para provar que "nós somos tão bons quanto eles".
2. Protenix-v1-20250630: É o "arquiteto de campo". Ele foi treinado com dados muito mais recentes (até junho de 2025). Se você é um cientista tentando criar um remédio hoje para uma doença nova, esta é a versão que você usa, porque ela "leu" os livros mais novos da biblioteca.

5. Limpando a "Pista de Corrida" (Melhorando os Testes)

O paper também critica como os modelos são testados. Às vezes, os testes antigos eram como corridas onde cada corredor corria em uma pista de tamanho diferente ou com obstáculos diferentes, o que tornava a comparação injusta.
A equipe do Protenix criou uma nova pista de corrida (benchmarks):

• Mais justa: Todos correm exatamente no mesmo trecho.
• Mais segura: Eles usam estatísticas avançadas para garantir que a sorte não influencie o resultado.
• Mais transparente: Eles corrigiram erros em testes antigos que faziam os modelos parecerem melhores ou piores do que realmente eram.

Conclusão: Por que isso importa?

O Protenix-v1 é como abrir a caixa de ferramentas de um gênio para o mundo todo. Ele prova que não precisamos depender de segredos corporativos para ter a melhor tecnologia.

• Para cientistas: Agora eles têm uma ferramenta gratuita e poderosa para descobrir novos remédios.
• Para a sociedade: Com mais pessoas conseguindo prever estruturas de proteínas com precisão, a descoberta de tratamentos para doenças pode acelerar.

Em resumo: O Protenix-v1 pegou o "segredo" do AlphaFold3, mostrou que é possível fazer o mesmo (ou melhor) de forma aberta, e deu a todos nós as ferramentas para continuar melhorando a saúde do futuro.

Resumo técnico

Resumo Técnico: Protenix-v1

1. Problema e Contexto

Os modelos de previsão de estrutura biomolecular tornaram-se ferramentas essenciais para a pesquisa biológica fundamental e a descoberta de fármacos. Embora o ecossistema de código aberto tenha crescido rapidamente, persiste uma lacuna de desempenho significativa entre as implementações de código aberto e o AlphaFold3 (modelo proprietário).

• Desafios Principais:
  • Falta de Transparência: Modelos fechados impedem comparações sistemáticas e avaliações imparciais.
  • Lacuna de Desempenho: Modelos anteriores de código aberto não conseguiam igualar a precisão do AlphaFold3 sob condições controladas (mesmo corte de dados de treinamento, tamanho do modelo e orçamento de inferência).
  • Limitações de Avaliação: Benchmarks existentes (como o FoldBench) sofrem de viés de cobertura de dados (diferentes modelos falham em diferentes subconjuntos de alvos) e alta variância estatística devido a tamanhos de amostra pequenos, tornando as classificações cruzadas pouco confiáveis.
  • Comportamento de Escala: Modelos de código aberto anteriores não demonstravam consistentemente melhorias de precisão ao aumentar o orçamento de amostragem (inferência), uma característica observada no AlphaFold3.

2. Metodologia

O Protenix-v1 é apresentado como o primeiro modelo totalmente de código aberto a atingir ou exceder o desempenho do AlphaFold3 sob condições estritamente controladas.

• Arquitetura e Treinamento:
  • O modelo utiliza uma configuração de inferência baseada em difusão, alinhada com os hiperparâmetros do AlphaFold3.
  • Corte de Dados: A versão principal (Protenix-v1) foi treinada com o mesmo corte de dados que o AlphaFold3 para garantir comparabilidade justa.
  • Recursos de Entrada: Incorpora suporte a MSA de RNA (Multiple Sequence Alignment) e integração de modelos (templates) de proteínas, além de pipelines de processamento de dados aprimorados.
  • Distilação: Inclui distilação focada em desordem e distilação em larga escala de monômeros baseada no MGnify.
• Estratégia de Lançamento Duplo:
  • Protenix-v1: Focado em comparação controlada (corte de dados estrito).
  • Protenix-v1-20250630: Uma variante treinada em um conjunto de dados expandido (corte em 30 de junho de 2025) para otimizar aplicações do mundo real, como descoberta de fármacos, onde alvos frequentemente compartilham homologia com estruturas recém-publicadas.
• Protocolos de Avaliação Rigorosos:
  • Correção de Benchmarks: Os autores corrigiram o FoldBench para considerar apenas a interseção comum de amostras avaliadas com sucesso por todos os modelos, eliminando viés de cobertura.
  • Bootstrapping: Utilização de múltiplas sementes aleatórias (até 20 sementes) para calcular médias e intervalos de confiança de 95%, mitigando a variância estocástica.
  • Novos Conjuntos de Dados: Criação de suites de avaliação estratificadas por ano (PXM-2024, PXM-2025, PXM-22to25-Ligand, PXM-22to25-Antibody) para cobrir uma diversidade maior de interfaces e reduzir o viés de clusters.

3. Principais Contribuições

1. Desempenho de Nível SOTA (State-of-the-Art): O Protenix-v1 é o primeiro modelo aberto a superar o AlphaFold3 em tarefas de interação proteína-proteína e anticorpo-antígeno, mantendo-se competitivo em outras modalidades sob as mesmas restrições de recursos.
2. Comportamento de Escala no Tempo de Inferência: Demonstrou que aumentar o orçamento de amostragem (ex: de 1 para 100 sementes) resulta em melhorias consistentes e quase log-lineares na precisão, especialmente em alvos difíceis como complexos anticorpo-antígeno. Isso oferece aos usuários um "controle" prático para equilibrar custo computacional e precisão.
3. Ferramentas de Avaliação Aprimoradas:
   • Lançamento de ferramentas de avaliação atualizadas e benchmarks estratificados por ano.
   • Correção metodológica do FoldBench para garantir comparações justas.
   • Identificação de limitações em métricas anteriores que não reportavam variância ou cobertura de dados completa.
4. Capacidades Expandidas: Suporte nativo a MSA de RNA e integração de templates de proteínas, essenciais para a previsão de complexos multimodais.

4. Resultados Chave

Os resultados foram validados em múltiplos benchmarks (FoldBench, PXM-2024/2025, Runs-N-Poses):

• Precisão Geral: O Protenix-v1 superou consistentemente modelos de código aberto anteriores (como Chai-1, Boltz-1, Boltz-2) e o AlphaFold3 em várias métricas.
  • Proteína-Proteína e Anticorpo-Antígeno: Superou o AlphaFold3 em DockQ Success Rate (SR) e lDDT. No FoldBench, atingiu 72.70% de SR (vs 71.73% do AF3) e 52.31% em anticorpos (vs 48.75% do AF3).
  • Seleção Baseada em Confiança: O uso de pontuações de confiança (ipTM, pTM) para selecionar a melhor estrutura entre as amostras geradas elevou a qualidade da previsão em 10% a 30% em comparação com a mediana, especialmente em interfaces anticorpo-antígeno.
• Escalabilidade de Inferência: No conjunto PXM-22to25-Antibody, aumentar as sementes de 1 para 80 elevou o DockQ SR de 36.01% para 47.68%.
• Aplicação em Descoberta de Fármacos:
  • No benchmark Runs-N-Poses (co-dobramento proteína-ligante), o Protenix-v1 alcançou a menor RMSD de ligante (2.772 Å) e a maior taxa de sucesso (RMSD < 2Å) de 72.79%.
  • Na tarefa de filtragem de designs de ligantes (binária), o Protenix-v1 obteve os maiores escores AUC e Average Precision na maioria dos alvos, superando o AlphaFold2 e modelos recentes como Chai-1.
• Versão Expandida (20250630): A variante treinada com dados mais recentes superou significativamente a versão base em tarefas de anticorpo-antígeno no conjunto de teste PXM-2025H2, demonstrando o valor da escala de dados em regimes de baixa densidade de dados.

5. Significado e Impacto

O trabalho do Protenix-v1 representa um marco para a comunidade de biologia estrutural de código aberto:

• Democratização de Alta Precisão: Elimina a barreira de desempenho entre modelos abertos e proprietários, permitindo que pesquisadores e empresas realizem previsões de alta qualidade sem depender de APIs fechadas.
• Rigor Metodológico: Estabelece novos padrões para avaliação de modelos, enfatizando a necessidade de interseções comuns de dados, relatórios de variância e benchmarks estratificados por tempo para evitar conclusões enganosas.
• Aplicabilidade Prática: A estratégia de duplo lançamento (versão de benchmark vs. versão expandida) e a demonstração de escalabilidade de inferência fornecem ferramentas flexíveis para cenários do mundo real, desde a pesquisa acadêmica até a descoberta de medicamentos, onde o custo computacional e a precisão devem ser equilibrados dinamicamente.

Em suma, o Protenix-v1 não apenas fecha a lacuna de desempenho com o AlphaFold3, mas também redefine como os modelos de estrutura biomolecular devem ser avaliados e otimizados para aplicações futuras.