NatCodon: protein-structure-informed de novo codon sequence design for efficient protein expression

Resumo Técnico: NatCodon – Design de Sequências de Códons De Novo Informado pela Estrutura Proteica

1. Definição do Problema

A tradução da informação genética em proteínas funcionais é um processo co-traducional onde o dobramento da polipeptídeo nascente é intrinsecamente acoplado à cinética de elongação ribossômica. As estratégias atuais de otimização de códons baseiam-se predominantemente em heurísticas de frequência (ex: maximização do Índice de Adaptação de Códon [CAI] ou do Índice de Adaptação de tRNA [tAI]) para acelerar a elongação peptídica. Essas abordagens frequentemente desacoplam as taxas de tradução dos requisitos específicos de dobramento da proteína, levando ao erro de dobramento (misfolding), formação de corpos de inclusão e baixos rendimentos de solubilidade em hospedeiros heterólogos. Esta limitação é exacerbada na era do design de proteínas de novo impulsionado por IA, onde novas sequências proteicas carecem de ancestrais evolutivos ou templates de codificação nativos, tornando a otimização tradicional baseada em "tabelas de consulta" insuficiente. Os modelos de aprendizado profundo existentes para o design de códons tratam majoritariamente o problema como uma tarefa de mapeamento sequência-para-sequência, descartando informações estruturais críticas e negligenciando o papel regulatório do ritmo traducional na coordenação do dobramento co-traducional (CTF).

2. Metodologia

Os autores introduzem o NatCodon, um modelo generativo que reformula o design de códons como um problema cinético informado pela estrutura. A metodologia integra dados multi-ômicos (sequências genômicas, contexto proteômico e estruturas proteicas) para aprender a "gramática estrutura-códon" incorporada nos sistemas de tradução naturais.

• Curadoria de Dados: O modelo foi treinado em um conjunto de dados não redundante de 45.126 tripletos genoma-proteoma-estrutura bacterianos. As estruturas secundárias das proteínas foram discretizadas em 9 tokens estruturais (ex: $\alpha$-hélice, ponte $\beta$, loops flexíveis) utilizando o algoritmo DSSP.
• Arquitetura: O NatCodon emprega uma arquitetura Transformer de apenas decodificador (decoder-only), inspirada no framework LLaMA. Ele codifica conjuntamente sequências de aminoácidos e tokens estruturais discretos em uma representação unificada, utilizando Rotary Positional Embeddings (RoPE) para capturar dependências de longo alcance.
• Decodificação com Restrições Biológicas:
  • Portão de Códon (Codon Gate): Um módulo de máscara rígida garante a fidelidade traducional estrita ao filtrar códons não sinônimos em cada posição, garantindo que a sequência gerada traduza para a sequência de aminoácidos correta.
  • Amostragem Controlada pelo Foco (Focus-Controlled Sampling): Um parâmetro ajustável ($\phi$) modula a nitidez da distribuição de probabilidade, permitindo um equilíbrio entre otimização determinística e diversidade de sequência.
• Objetivo de Treinamento: O modelo minimiza uma função de perda composta que combina log-verossimilhança negativa (NLL), entropia cruzada com ponderação de frequência para corrigir o desequilíbrio de códons, e uma perda de suavização inspirada em entropia para melhorar a generalização.
• Métrica de Avaliação (NCI): Os autores introduzem o Índice NatCodon (NCI), uma métrica consciente da estrutura que quantifica a concordância entre o uso de códons e o contexto estrutural. Ele integra coeficientes de adaptabilidade específicos de estrutura e a divergência de Jensen-Shannon para medir o alinhamento com os padrões nativos de estrutura-códon.

3. Principais Contribuições

• Modelo Generativo Informado pela Estrutura: O NatCodon é o primeiro modelo a integrar explicitamente o contexto estrutural local da proteína no processo generativo de design de sequências de códons, indo além das heurísticas baseadas em frequência.
• Decifrando a Gramática Estrutura-Códon: O estudo fornece evidências empíricas e insights mecanísticos sobre como o uso de códons sinônimos é ajustado às demandas estruturais, identificando especificamente que códons menos frequentes são estrategicamente implantados em sítios estruturalmente sensíveis (ex: fronteiras de domínios, loops flexíveis) para induzir a pausa ribossômica para o dobramento adequado.
• Nova Métrica (NCI): O desenvolvimento do NCI oferece uma ferramenta preditiva para o rendimento funcional de proteínas que supera as métricas tradicionais (CAI, tAI) e preditores de IA supervisionados (Encodon) em cenários generalizáveis.
• Validação Experimental: O framework foi validado através de um painel de proteínas heterólogas, incluindo alvos difíceis de expressar, demonstrando melhorias significativas na produção de proteína solúvel.

4. Resultados

• Benchmarking entre Espécies: Em conjuntos de dados abrangendo proteínas de E. coli, humanas, vegetais e virais, o NatCodon superou modelos concorrentes (CodonTransformer, ICOR). Ele reduziu a divergência da cinética de tradução em 96,5–97,5% e alcançou uma ordem de magnitude menor de divergência de códon condicionada à estrutura (SCCD), indicando uma preservação superior da arquitetura de codificação nativa.
• Desempenho Experimental: Em experimentos de expressão em E. coli, as sequências projetadas pelo NatCodon geraram melhorias de 2 a 33 vezes na proteína solúvel em comparação com sequências otimizadas pelo GeneOptimizer (OP).
  • SMURF1HECT: Uma proteína anteriormente intratável que produzia nenhuma proteína solúvel detectável com OP rendeu 0,57–0,61 mg·ml⁻¹ com o NatCodon.
  • Outros Alvos: Melhorias significativas foram observadas para DHOase, Luciferase, GFP e HPPD.
• Insights Mecanísticos:
  • IA Explicável (XAI): Análises de SHAP e Gradientes Integrados revelaram que o NatCodon atribui peso quase igual às características estruturais e à identidade do aminoácido. Ele utiliza seletivamente códons de alto tAI para núcleos estruturais rígidos e códons de baixo tAI para loops flexíveis e fronteiras de domínios para criar as pausas de tradução necessárias.
  • Mutagênese: A mutagênese reversa da DHOase projetada pelo NatCodon confirmou que aumentar a velocidade de tradução em regiões de loop reduzia o rendimento, enquanto aumentar a velocidade em $\alpha$-hélices o aumentava, validando a coreografia cinética do modelo.
  • Rampa de Tradução: O NatCodon recapitulou com sucesso a "rampa de tradução" nativa da extremidade 5'-terminal (códons iniciais mais lentos), uma característica frequentemente perdida em outros métodos de otimização.
• Poder Preditivo do NCI: O NCI mostrou a maior correlação com o rendimento de proteína solúvel experimental e o output funcional (luminescência/fluorescência) em múltiplas bibliotecas de proteínas, superando CAI, tAI e Encodon em cenários generalizáveis.
• Compatibilidade com Estruturas de IA: O framework permanece robusto ao utilizar estruturas preditas pelo AlphaFold3, mantendo alta similaridade de sequência e concordância de métrica com designs baseados em estruturas experimentais.

5. Significância e Alegações

O artigo afirma que o NatCodon estabelece uma base principiológica para a expressão proteica programável ao transcender as heurísticas baseadas em frequência. Ao incorporar restrições estruturais diretamente no processo de geração de sequências, o modelo orquestra a dinâmica de tradução para alinhar-se com os requisitos de dobramento co-traducional. Esta abordagem desbloqueia a produção de alvos terapeuticamente e industrialmente críticos, incluindo sequências de novo projetadas por IA anteriormente consideradas inexpressíveis. Os autores postulam que o framework NatCodon–NCI desloca o paradigma de maximizar a velocidade de elongação para a "coreografia cinética", oferecendo uma solução generalizável para o fluxo reverso de informação da sequência de proteína para a sequência de ácido nucleico na ausência de templates evolutivos. As ferramentas são disponibilizadas gratuitamente à comunidade para facilitar a produção de proteínas complexas.