Benchmarking antibody-antigen co-folding on human monomeric antigens

No mundo microscópico do sistema imunológico humano, os anticorpos atuam como chaves altamente especializadas, projetadas para se encaixarem perfeitamente nas fechaduras apresentadas por vírus invasores ou proteínas nocivas. Durante décadas, os cientistas sonharam em ser capazes de prever exatamente como essas chaves e fechaduras se encaixam apenas olhando para seus projetos químicos. Essa habilidade revolucionaria a medicina, permitindo que pesquisadores projetassem novos medicamentos e vacinas sem a necessidade de construir e testar cada versão individualmente em um laboratório. No entanto, essa previsão permaneceu como um dos enigmas mais persistentes da biologia. Embora os computadores tenham se tornado excelentes em adivinhar como duas proteínas podem se unir, os anticorpos são um caso especial. Ao contrário da maioria das proteínas que evoluem junto com seus parceiros, os anticorpos evoluem de forma independente, o que significa que carecem do histórico evolutivo compartilhado que ajuda os computadores a fazerem previsões precisas. Além disso, a parte do anticorpo que realmente agarra o alvo é um loop flexível e ondulante que muda de forma constantemente, tornando extremamente difícil modelá-lo com ferramentas padrão.

Uma equipe de pesquisadores partiu para medir o quanto a geração mais recente de programas de computador avançou na resolução deste enigma específico. Eles reuniram uma coleção massiva de 412 exemplos do mundo real de anticorpos ligados a proteínas humanas, criando um conjunto de testes rigoroso que não havia sido visto pelos programas de computador antes de serem construídos. Ao executar dez métodos de previsão contra esses novos dados, eles descobriram que o software mais recente deu um salto dramático, prevendo com sucesso a forma correta para cerca de metade dos novos casos não vistos. No entanto, o estudo também revelou que mesmo os melhores programas ainda têm dificuldades com as partes mais flexíveis do anticorpo e que simplesmente tentar adivinhar mais vezes nem sempre leva a uma resposta melhor. Os pesquisadores descobriram que, se pudessem dizer ao computador exatamente onde o anticorpo deveria tocar o alvo, os programas mais antigos conseguiriam alcançar os mais recentes, sugerindo que o principal obstáculo não é apenas a inteligência do software, mas sua capacidade de encontrar o ponto de partida correto em um vasto mar de possibilidades.

Os pesquisadores começaram montando um benchmark chamado HuMonoAg-Bench, uma biblioteca curada de 412 complexos de anticorpos envolvendo proteínas humanas. Eles dividiram cuidadosamente essa coleção em dois grupos com base em quando as estruturas foram descobertas. Um grupo consistia de 278 complexos lançados antes de setembro de 2021, uma data que serve como um ponto de corte para os dados de treinamento de muitas ferramentas de previsão modernas. O outro grupo continha 134 complexos lançados após essa data, garantindo que os programas de computador nunca tivessem visto essas formas específicas antes. Para tornar o teste ainda mais preciso, eles dividiram o novo grupo entre aqueles que envolviam antígenos muito semelhantes aos antigos e aqueles que eram completamente novos. Essa configuração permitiu testar se os computadores estavam apenas memorizando exemplos antigos ou aprendendo verdadeiramente a prever novas interações. Em seguida, eles executaram dez protocolos de co-dobramento — métodos que simulam como duas proteínas se dobram juntas — contra esse conjunto de dados, comparando os resultados com as estruturas experimentais reais para ver o quão próximas estavam as previsões.

Os resultados mostraram uma melhoria clara e significativa nos métodos mais recentes em comparação aos mais antigos. Ao prever as estruturas dos novos complexos não vistos, o software mais antigo conseguiu encontrar uma forma correta ou quase correta em apenas cerca de 16 a 22 por cento dos casos. Em contraste, os métodos mais avançados, como Protenix v2, IntelliFold-2 e ESMFold2, tiveram sucesso em encontrar um modelo de qualidade média ou superior em aproximadamente 33 a 52 por cento desses mesmos casos. O melhor desempenho, o Protenix v2, alcançou uma taxa de sucesso de 52 por cento para anticorpos padrão e uma taxa ainda maior de 82 por cento para um tipo específico de anticorpo de domínio único quando o antígeno era familiar. Apesar desse progresso, o estudo enfatizou que quase metade dos novos alvos permanecia sem solução, indicando que, embora o campo tenha avançado rapidamente, uma grande fração das interações de anticorpos ainda está fora do alcance da tecnologia atual. Os pesquisadores observaram que essa melhoria não ocorreu simplesmente porque os novos programas viram mais dados, já que compartilhavam pontos de corte de treinamento semelhantes, mas sim devido a melhorias fundamentais na forma como modelam as formas complexas.

Uma análise mais profunda sobre o porquê de algumas previsões terem tido sucesso e outras falhado apontou para uma característica estrutural específica: o loop CDRH3. Este é uma estrutura flexível, em forma de grampo, no anticorpo que atua como o principal ponto de contato com o alvo. O estudo descobriu que a precisão deste único loop era o indicador mais forte de se uma previsão seria bem-sucedida. Embora os computadores fossem geralmente bons em modelar as partes rígidas do antígeno e os outros loops mais estáveis do anticorpo, o loop CDRH3 continuava sendo o componente mais difícil de acertar, especialmente quando era longo. Os métodos mais recentes mostraram uma melhoria marcante no modelamento deste loop específico, o que correlacionou diretamente com suas maiores taxas de sucesso geral. No entanto, mesmo quando a estrutura local do loop era bem modelada, isso não garantia que todo o anticorpo seria posicionado corretamente em relação ao alvo, mostrando que acertar as peças não é o mesmo que montar o quebra-cabeça inteiro corretamente.

Os pesquisadores também testaram o que aconteceria se dessem uma dica ao programa de computador sobre onde o anticorpo deveria se ligar. Em um cenário do mundo real, os cientistas podem saber alguns pontos-chave na proteína alvo onde um anticorpo se fixa, mas não conhecem a forma exata do anticorpo. Ao fornecer essa informação limitada como uma restrição, os métodos mais antigos viram suas taxas de sucesso saltarem de 20 a 30 pontos percentuais, aproximando-se do nível dos métodos mais fortes sem restrições. Essa descoberta sugere que a principal limitação do software mais antigo não era a falta de compreensão da física, mas a incapacidade de encontrar o modo de ligação correto entre bilhões de possibilidades. Quando o espaço de busca era estreitado por uma dica, os programas mais antigos consegravam encontrar a solução. No entanto, esse benefício dependia fortemente da precisão da dica; se a informação fornecida fosse apenas parcialmente correta, a melhoria desaparecia.

Finalmente, a equipe investigou se executar as simulações mais vezes resolveria os problemas restantes. Eles descobriram que, para os métodos sem restrições, o problema principal era a falha de amostragem: a forma correta simplesmente nunca aparecia no conjunto de modelos gerados. Quando aumentaram o número de execuções de simulação, eles de fato encontraram mais formas corretas, mas também descobriram que o sistema de classificação do computador frequentemente falhava em escolher a melhor como a resposta principal. Isso criou um novo gargalo: mesmo quando a resposta correta era gerada, o software nem sempre a reconhecia como a melhor opção. O estudo concluiu que, embora aumentar o número de tentativas ajude, a capacidade de classificar e selecionar corretamente o melhor modelo está se tornando tão importante quanto a capacidade de gerá-los. Os casos restantes não resolvidos eram uma mistura diversificada de alvos difíceis sem uma característica comum única, sugerindo que o caminho a seguir exige a resolução de múltiplos tipos de desafios, em vez de apenas corrigir um problema específico.