Efficient exploration of conformational ensembles via protein interaction-informed deep learning

Resumo Técnico: Exploração eficiente de ensembles conformacionais via aprendizado profundo informado por interações proteicas

Definição do Problema
A caracterização precisa de ensembles conformacionais de proteínas é fundamental para compreender a função biológica e avançar no design de fármacos. Embora as simulações de Dinâmica Molecular (MD) sirvam como o padrão ouro para explorar esses landscapes, elas são computacionalmente proibitivas para aplicações de alto rendimento ou sistemas macromoleculares de grande escala. Modelos de inteligência artificial (IA) generativa, como frameworks de difusão e baseados em fluxo, oferecem uma alternativa mais rápida. No entanto, os métodos existentes frequentemente lutam contra alucinações estruturais, particularmente em regiões flexíveis ou com escassez de informação, e dependem fortemente da expansão de conjuntos de dados de treinamento com estruturas isoladas de cadeia única. Os autores postulam que o desacoplamento artificial das cadeias proteicas de seus contextos de interação nativos limita os modelos a aprender distribuições estruturais estáticas, em vez das restrições físicas subjacentes que governam a mudança conformacional.

Metodologia
O estudo introduz o DynoM, um framework generativo projetado para aproveitar as interações de complexos proteicos para melhorar a predição de ensembles conformacionais monoméricos. A metodologia envolve uma estratégia de treinamento de dois estágios:

1. Arquitetura: O DynoM utiliza uma arquitetura de difusão condicional baseada no tronco livre de template do AlphaFold3 (AF3). Ele incorpora um módulo de codificação posicional para diferenciar identidades de cadeias em entradas de múltiplas cadeias. O módulo de difusão emprega transformers baseados em Atenção de Ponto Invariante (IPA) para reconstruir iterativamente os backbones proteicos a partir de ruído aleatório.
2. Dados de Treinamento:
   • Pré-treinamento: O modelo foi pré-treinado em um conjunto curado de 62.044 estruturas estáticas de complexos proteicos (heterodímeros e complexos antígeno-anticorpo), representando apenas ~10% do volume de dados de monômeros disponíveis, mas oferecendo maior diversidade de sequência.
   • Ajuste Fino (Fine-tuning): Para abordar as limitações dos dados estáticos, os autores geraram um dataset próprio de 5.502 trajetórias de MD de todos os átomos (100 ns cada) para complexos proteicos usando GROMACS. O modelo pré-treinado foi ajustado nestes dados dinâmicos para atuar como uma "âncora estrutural", corrigindo movimentos não físicos.
3. Funções de Perda (Loss Functions): O objetivo de treinamento combina a perda de correspondência de score de denoising com termos auxiliares: Erro Quadrático Médio (MSE) direto nas coordenadas do backbone, perda de vizinhança local nas distâncias atômicas de pares (≤ 8,5 Å) e uma penalidade de choque estérico para evitar sobreposições atômicas não físicas dentro e entre as cadeias.
4. Avaliação: O desempenho foi testado contra baselines de estado da arte (BioEmu, ConfDiff, AlphaFlow) usando um conjunto de teste independente de 6 de proteínas com variados comprimentos e topologias. As métricas incluíram medidas topológicas globais (PwD-JSD, Rg-JSD), consistência dinâmica (TIC-JSD, TIC-RMWD) e flexibilidade ao nível de resíduo (rRMSF).

Principais Contribuições

• Aprendizado Informado por Interação: O artigo demonstra que incorporar uma fração relativamente pequena (10%) de dados de complexos supera significativamente modelos treinados apenas em monômeros. Especificamente, suplementar modelos treinados em monômeros com dados de complexos melhorou o desempenho em 6,64% em PwD-JSD e 22,87% em Rg-JSD.
• Supressão de Alucinações Estruturais: O DynoM captura efetivamente restrições físicas de longo alcance inerentes às interações de complexos. Essa capacidade permite que o modelo suprima alucinações estruturais no posicionamento interdominial para monômeros multi-domínio, um desafio onde modelos anteriores frequentemente falham.
• Priors Complementares: O estudo estabelece que estruturas estáticas de complexos fornecem priors topológicos essenciais, enquanto o ajuste fino por MD fornece as restrições dinâmicas necessárias para aproximar distribuições de equilíbrio.
• Eficiência de Dados: O DynoM alcança um desempenho superior utilizando significativamente menos dados de treinamento (tanto estruturas estáticas quanto trajetórias de MD) em comparação com as baselines existentes.
• Liberação de Recursos: Os autores disponibilizam à comunidade de pesquisa um novo dataset de 5.502 trajetórias de MD de complexos proteicos e o código-fonte do DynoM.

Resultados

• Desempenho de Benchmark: No conjunto de teste de 63 proteínas, o DynoM superou o BioEmu, ConfDiff e AlphaFlow em todas as métricas de equilíbrio (P < 0,05). Alcançou os menores valores de TIC-JSD e TIC-RMWD, indicando uma cobertura superior do espaço conformacional acessível enquanto minimiza a geração de estados não físicos.
• Precisão Multi-domínio: Para proteínas multi-domínio, o DynoM demonstrou alta consistência no posicionamento interdominial, reduzindo significativamente os desvios em distâncias Cα-Cα de pares fora da diagonal em comparação com as baselines.
• Diversidade Conformacional: Análises de proteínas com mudanças estruturais locais, transições apo-holo e movimentos de domínio de corpo rígido mostraram que o DynoM pode amostrar com sucesso landscapes multi-conformacionais. Crucialmente, o modelo não restringiu excessivamente a diversidade conformacional dos estados monoméricos; os ensembles preditos para antígenos não ligados cobriram tanto o espaço conformacional ligado quanto o não ligado.
• Predição de Complexos: Testes preliminares em 20 complexos antígeno-anticorpo mostraram que o DynoM pode distinguir regiões de framework rígidas de CDRs flexíveis e identificar conformações plausíveis em casos onde o AlphaFold3 falhou, embora a precisão de interface (iRMSD) permaneça uma limitação em comparação ao AF3.

Significância e Alegações
Os autores alegam que os priors de interface derivados de complexos proteicos são um "elo perdido" indispensável na predição atual de ensembles conformacionais. Ao alavancar essas restrições físicas, o DynoM fornece uma ferramenta robusta e eficiente em dados que preenche a lacuna entre a necessidade de insights dinâmicos e o fardo computacional das simulações de física. Este trabalho sugere que a qualidade dos dados (incorporando restrições de interação) é mais crítica do que a mera quantidade de dados. Embora o modelo atualmente foque em dímeros e complexos antígeno-anticorpo e dependa da geração de backbone em vez de predição de todos os átomos de ponta a ponta, ele estabelece uma prova de conceito para o uso de restrições derivadas de complexos para aumentar a plausibilidade física da modelagem de proteínas. Os autores reconhecem limitações relativas ao escopo dos dados de treinamento (excluindo montagens multiméricas maiores) e a necessidade de otimização adicional das funções de perda e da predição ao nível atômico para a dinâmica de complexos.