JanusDDG: een fysica-geïnformeerd neuraal netwerk voor sequentie-gebaseerde eiwitstabiliteit via twee-fronten aandacht

Waarom dit onderzoek ertoe doet

Eiwitten zijn de kleine machines die onze cellen in leven houden, en zelfs een enkele wijziging in hun bouwstenen kan hen beter, slechter of helemaal niet laten werken. Kunnen voorspellen hoe zulke veranderingen de stabiliteit van een eiwit beïnvloeden is cruciaal om genetische ziekten te begrijpen en om betere geneesmiddelen en industriële enzymen te ontwerpen. Dit artikel introduceert JanusDDG, een nieuw kunstmatig-intelligentie model dat voorspelt hoe mutaties de stabiliteit van eiwitten veranderen alleen op basis van de sequentie, terwijl het ook de basisprincipes van de fysica respecteert die bepalen hoe eiwitten vouwen.

Het probleem van fragiele eiwitmachines

Wanneer een eiwit zich vouwt in zijn driedimensionale vorm, balanceert het vele krachten, als een tent die door veel lijnen overeind wordt gehouden. Mutaties kunnen sommige lijnen aanspannen of andere verslappen, waardoor de structuur meer of minder stabiel wordt. Experimentele tests van deze effecten zijn traag en duur, dus onderzoekers vertrouwen sterk op computermodellen om veranderingen in stabiliteit te schatten, bekend als ΔΔG. Bestaande tools werken vaak het beste wanneer ze toegang hebben tot gedetailleerde 3D-structuren, en ze kunnen stilzwijgend de regels van de thermodynamica schenden, wat leidt tot voorspellingen die op papier nauwkeurig lijken maar fysisch inconsistente resultaten opleveren of moeilijk te vertrouwen zijn voor nieuwe eiwitten.

Een nieuwe manier om eiwitsequenties te lezen

JanusDDG pakt deze uitdaging aan door te beginnen met eiwittaalmodellen, een klasse grote neurale netwerken die getraind zijn op miljoenen eiwitsequenties, enigszins zoals taalmodellen leren van tekst. Deze modellen zetten elk aminozuur om in een rijke numerieke representatie die patronen uit evolutie en typisch vouwgedrag vastlegt. JanusDDG neemt de sequentie van het oorspronkelijke eiwit en de sequentie van diens mutant, vergelijkt hun geleerde representaties en gebruikt een gespecialiseerde aandachtmechanisme dat zich richt op hoe de mutatie de omliggende context verstoort. Omdat het alleen sequenties nodig heeft, kan JanusDDG worden toegepast op eiwitten waarvan de 3D-structuren onbekend of moeilijk te bepalen zijn.

Fysica inbouwen in kunstmatige intelligentie

Een belangrijke innovatie van JanusDDG is dat het is ontworpen om fundamentele natuurkundige principes te respecteren. De auteurs richten zich op twee eigenschappen van de Gibbs-vrije-energie, de grootheid die ten grondslag ligt aan eiwitstabiliteit. Ten eerste betekent antisymmetrie dat als de overgang van de ene variant naar een andere de stabiliteit met een bepaalde hoeveelheid verandert, de omgekeerde overgang dat effect ongedaan moet maken. Ten tweede betekent transitiviteit dat het totale effect van de overgang van variant één naar twee en vervolgens naar drie gelijk moet zijn aan de directe sprong van één naar drie. De architectuur van JanusDDG dwingt antisymmetrie af door twee gespiegelde kopieën van het netwerk op gewisselde inputs te laten draaien en hun outputs zó te combineren dat voorwaartse en achterwaartse voorspellingen exacte tegengestelden zijn. Transitiviteit wordt tijdens het trainen gestimuleerd door een speciale verliescomponent toe te voegen die het model dwingt consistente voorspellingen te doen wanneer mutatiepaden in stappen worden opgesplitst.

Prestaties testen op veel soorten mutaties

De onderzoekers trainden JanusDDG op een zorgvuldig samengestelde dataset van duizenden mutaties met gemeten stabiliteitsveranderingen en testten het vervolgens op meerdere onafhankelijke benchmarks waarbij de sequentie-overlap met de trainingsdata zeer laag werd gehouden. Dit doordachte ontwerp verkleint het risico dat het model alleen vertrouwde eiwitten memoriseert. Over drie veelgebruikte verzamelingen van enkelvoudige mutaties presteerde JanusDDG gelijk aan of beter dan andere sequentie-gebaseerde tools en veel methoden die op 3D-structuren vertrouwen. Het behandelde ook meerdere gelijktijdige mutaties, een moeilijker scenario waarin interacties tussen veranderingen niet-additief kunnen zijn. Opmerkelijk genoeg daalde de nauwkeurigheid niet voor mutatieparen die ruimtelijk dicht bij elkaar liggen, waar eerdere modellen vaak moeite mee hadden.

Van getallen naar bruikbare stabiliteitslabels

In praktische toepassingen willen onderzoekers vaak niet alleen weten hoe groot een stabiliteitsverandering is, maar of een mutatie duidelijk stabiliserend of destabiliserend is. De auteurs testten JanusDDG op een dataset gericht op het onderscheiden van stabiliserende en destabiliserende varianten. Hoewel het model solide prestaties bereikte, bleef deze taak moeilijker dan het voorspellen van ruwe numerieke waarden, vooral dicht bij de grens tussen categorieën waar experimentele ruis en biologische ambiguïteit het grootst zijn. Toch vergeleek JanusDDG gunstig met andere toonaangevende methoden, wat suggereert dat het fysica-bewuste ontwerp en het gebruik van rijke sequentie-embeddings het helpt beter door deze onzekerheid heen te navigeren dan veel concurrenten.

Wat dit betekent voor toekomstig eiwitontwerp

Al met al laat JanusDDG zien dat het mogelijk is de sterke punten van moderne sequentie-gebaseerde AI te combineren met de stevige kaders van de natuurkunde. Door eiwitten te behandelen als sequenties die gelezen kunnen worden als taal, maar erop aan te dringen dat voorspellingen antisymmetrie en transitiviteit respecteren, produceert het model stabiliteitsschattingen die zowel nauwkeurig als thermodynamisch consistent zijn. Voor niet-specialisten is de conclusie dat we dichterbij betrouwbare, structuurvrije tools komen die talloze mogelijke mutaties kunnen doorlopen, de veranderingen aanwijzen die het meest waarschijnlijk een eiwit stabiliseren of risicovolle veranderingen koppelen aan ziekte, en dat alles terwijl ze geworteld blijven in de regels van de fysica in plaats van louter statistische trucs.

Bronvermelding: Barducci, G., Rossi, I., Codicé, F. et al. JanusDDG: a physics-informed neural network for sequence-based protein stability via two-fronts attention. Commun Biol 9, 494 (2026). https://doi.org/10.1038/s42003-026-09632-9

Trefwoorden: eiwitstabiliteit, genetische mutaties, eiwitontwerp, machine learning, thermodynamica