pLM-Guided Inverse Folding for Antibody Sequence Design

Resumo Técnico: Dobramento Inverso Guiado por pLM para o Design de Sequências de Anticorpos

Definição do Problema
O dobramento inverso — a tarefa de prever sequências de aminoácidos a partir de estruturas tridimensionais de proteínas — é um pilar fundamental do design computacional de proteínas. No entanto, sua aplicação a domínios específicos, como anticorpos, é significativamente dificultada pela escassez de dados estruturais de alta qualidade. Essa limitação de dados restringe o treinamento de modelos específicos de domínio e aumenta o risco de sobreajuste (overfitting). Embora a estratégia padrão de mitigação envolva o ajuste fino (fine-tuning) de modelos gerais de dobramento inverso em conjuntos de dados específicos de domínio (ex: estruturas de anticorpos), a aquisição de dados estruturais suficientes para tal ajuste fino permanece cara e desafiadora.

Metodologia
Para enfrentar a escassez de dados estruturais enquanto se aproveita a abundância de dados de sequências disponíveis, os autores propõem uma nova estratégia de inferência livre de treinamento (training-free). A metodologia central envolve um conjunto ponderado (weighted ensemble) de dois modelos distintos:

1. ProteinMPNN: Um modelo geral de dobramento inverso de proteínas treinado em dados estruturais amplos.
2. IgLM: Um modelo de linguagem de proteína (pLM) específico para anticorpos, treinado em extensos dados de sequências.

Em vez de retreinar ou realizar o ajuste fino desses modelos, a abordagem combina suas previsões no momento da inferência. O conjunto pondera as saídas do ProteinMPNN e do IgLM para gerar as previsências finais de sequência. Este método é projetado para permitir que os modelos de dobramento inverso se beneficiem da rica informação de sequência capturada pelo IgLM sem exigir dados estruturais adicionais de treinamento.

Principais Contribuições e Resultados
O estudo avalia esta abordagem guiada por pLM em estruturas de anticorpos e nanocorpos, gerando as seguintes descobertas:

• Melhor Recuperação: O método de conjunto melhora substancialmente as taxas de recuperação de aminoácidos em comparação ao uso apenas do ProteinMPNN.
• Desempenho Competitivo: A abordagem alcança níveis de desempenho próximos aos de modelos especializados de dobramento inverso de anticorpos, como o AntiFold.
• Diversidade Aprimorada: Diferente de alguns modelos especializados que podem convergir para espaços de sequências limitados, este método gera sequências mais diversas.
• Complementaridade ao Ajuste Fino: O estudo demonstra que a orientação do modelo de linguagem é benéfica mesmo para modelos que já passaram por ajuste fino em estruturas de anticorpos (ex: AbMPNN). Isso sugere que a orientação por pLM complementa o ajuste fino estrutural, resultando em sequências que são tanto estruturalmente válidas quanto "mais naturais" (ou seja, consistentes com padrões de sequências evolutivas).

Significância
O artigo postula que a integração de modelos de linguagem de proteína com modelos estruturais de dobramento inverso oferece um caminho prático para superar a escassez de dados no design de proteínas. Ao utilizar um conjunto livre de treinamento, a abordagem efetivamente preenche a lacuna entre o modelamento estrutural geral e o conhecimento de sequências específico de domínio. A significância reside em demonstrar que a orientação por modelo de linguagem pode aprimorar as restrições estruturais sem o custo computacional do retreinamento, levando a designs que satisfazem requisitos estruturais enquanto mantêm a diversidade natural observada em sequências biológicas.