🧬 biology

FLOWR: Flow Matching for Structure-Aware De Novo, Interaction- and Fragment-Based Ligand Generation

El artículo introduce FLOWR, un novedoso marco basado en estructuras que combina el ajuste de flujo (flow matching) con el transporte óptimo equivariante y un conjunto de datos SPINDR curado para generar y optimizar ligandos 3D con una validez y precisión superiores, y una inferencia 70 veces más rápida que los métodos de vanguardia, al tiempo que ofrece una variante versátil de propósito múltiple para el diseño basado en fragmentos sin necesidad de reentrenamiento.

Autores originales: Julian Cremer, Ross Irwin, Alessandro Tibo, Jon Paul Janet, Simon Olsson, Djork-Arné Clevert

Publicado 2026-06-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Julian Cremer, Ross Irwin, Alessandro Tibo, Jon Paul Janet, Simon Olsson, Djork-Arné Clevert

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un maestro chef intentando inventar una nueva receta. Tienes un espacio vacío muy específico en una olla (el bolsillo de la proteína) donde necesitas encajar perfectamente un nuevo ingrediente (el ligando). El ingrediente no solo debe encajar en la forma, sino también "saber" bien al interactuar con las especias específicas que ya están en la olla.

Durante mucho tiempo, los programas informáticos que intentaban diseñar estos nuevos ingredientes han sido como chefs que adivinan al azar, prueban y luego lo intentan de nuevo miles de veces. Esto es lento y, a menudo, los ingredientes resultantes son extraños, están rotos o simplemente no encajan bien.

Este artículo presenta un sistema más rápido y más inteligente llamado FLOWR, junto con un nuevo libro de cocina de alta calidad llamado SPINDR.

1. El nuevo libro de cocina: SPINDR

Antes de poder enseñarle a un ordenador a cocinar, se necesita un buen libro de recetas. Los autores se dieron cuenta de que los antiguos libros de cocina (los conjuntos de datos utilizados para entrenar la IA) estaban llenos de errores. Tenían ingredientes que no encajaban en las ollas, faltaban especias o las instrucciones eran contradictorias.

Para solucionar esto, crearon SPINDR. Piensa en esto como un libro de cocina de "Estándar de Oro".

La Limpieza: Tomaron miles de estructuras cristalinas existentes (fotos de cómo los fármacos se asientan realmente en las proteínas) y las limpiaron a fondo. Corrigieron la falta de átomos, determinaron exactamente cómo debían cargarse los ingredientes y eliminaron duplicados.
El Resultado: Una colección masiva y de alta calidad de más de 35,000 ejemplos perfectos de cómo una molécula de fármaco encaja en un bolsillo de proteína. Esto asegura que la IA aprenda de la realidad, no de datos desordenados y rotos.

2. El nuevo chef: FLOWR

Ahora que tienen un buen libro de cocina, construyeron un nuevo chef llamado FLOWR.

La forma antigua (Difusión): Los chefs de IA anteriores trabajaban como un escultor que talla un bloque de mármol. Empezaban con una nube aleatoria de ruido y poco a poco iban quitando las partes malas para revelar una molécula. Esto tomaba mucho tiempo y a veces dejaba la escultura con un aspecto algo forzado o antinatural.
La forma de FLOWR (Flow Matching): FLOWR trabaja más como un sistema de navegación GPS. En lugar de ir tallando, dibuja una línea recta y directa desde el "ruido aleatorio" hasta la "molécula perfecta".
- Velocidad: Debido a que toma la ruta más directa, es increíblemente rápido. El artículo afirma que es hasta 70 veces más rápido que los mejores métodos anteriores.
- Calidad: Debido a que sigue un camino recto, las moléculas resultantes están menos "tensionadas" (no parecen estar siendo retorcidas en formas incómodas) y encajan mucho mejor en el bolsillo de la proteína.
- El "sentido del bolsillo": FLOWR tiene un "oído" especial que escucha el bolsillo de la proteína una sola vez al principio. Memoriza la forma y la química del bolsillo y luego utiliza ese recuerdo para guiar la creación de la molécula. Esto ahorra una cantidad masiva de potencia de cálculo.

3. La herramienta especial: FLOWR.MULTI

A veces, un chef no solo quiere inventar un plato totalmente nuevo; quiere modificar uno ya existente. Tal vez quiera mantener la "salsa" (una estructura química específica) pero cambiar la "guarnición" para adaptarse a un nuevo perfil de especias.

FLOWR.MULTI es un modo versátil del chef que permite hacer esto sin necesidad de reentrenar todo el sistema.

Objetivo de interacción: Puedes decirle a FLOWR: "Asegúrate de que esta nueva molécula toque estas partes específicas de la proteína". La IA mantendrá esas partes que tocan fijas e inventará el resto de la molécula alrededor de ellas.
Salto de andamio (Scaffold Hopping): Puedes decir: "Mantén este núcleo central (andamio) pero cambia el resto".
Crecimiento de fragmentos: Puedes decir: "Empieza con esta pieza pequeña y crece una molécula completa a partir de ella".

El artículo muestra que usar este enfoque "dirigido" da como resultado moléculas que tienen muchas más probabilidades de funcionar realmente con la proteína, en comparación con el simple hecho de adivinar al azar.

4. Los resultados

Cuando los autores probaron FLOWR contra los mejores chefs actuales (como PILOT):

Validez: Las moléculas que creó FLOWR tenían muchas más probabilidades de ser químicamente válidas (no se desmoronarían).
Ajuste: Encajaban en los bolsillos de las proteínas con mayor precisión.
Velocidad: Fue drásticamente más rápido (hasta 70 veces más rápido).
Interacciones: Cuando se le pidió recrear interacciones químicas específicas (como un apretón de manos entre el fármaco y la proteína), FLOWR.MULTI fue mucho mejor recordando y reproduciendo esos apretones de manos.

Resumen

En resumen, los autores construyeron un mejor conjunto de datos (SPINDR) para enseñar a la IA, y una IA más inteligente y rápida (FLOWR) para diseñar nuevos fármacos. También añadieron un modo especializado (FLOWR.MULTI) que permite a los científicos guiar a la IA para mantener partes específicas de una molécula mientras cambian otras. Esto hace que el proceso de encontrar nuevos candidatos a fármacos sea más rápido, más fiable y más práctico para el uso en el mundo real.

Resumen Técnico: FLOWR – Flow Matching para la Generación de Ligandos De Novo Basada en Estructura, Interacción y Fragmentos

Planteamiento del Problema

El diseño de fármacos basado en la estructura (SBDD) tiene como objetivo diseñar compuestos bioactivos aprovechando las estructuras tridimensionales de macromoléculas biológicas. Mientras que los métodos tradicionales como el acoplamiento molecular (docking) y el cribado virtual enfrentan desafíos para explorar vastos espacios químicos y predecir con precisión las poses de unión, los enfoques recientes de aprendizaje profundo, particularmente los modelos de difusión, han mostrado ser prometedores. Sin embargo, los métodos basados en difusión existentes sufren de varias limitaciones: la dependencia de un muestreo estocástico iterativo conduce a tiempos de inferencia prolongados; las moléculas generadas suelen exhibir conformaciones tensionadas, subestructuras poco comunes y una reducción en la similitud con fármacos (drug-likeness); además, frecuentemente tienen dificultades para la recuperación precisa de interacciones. Asimismo, la evaluación de estas metodologías se ve obstaculizada por la calidad de los conjuntos de datos de referencia ampliamente utilizados (por ejemplo, CROSSDOCKED2020), que a menudo contienen defectos estructurales, restricciones de ligando-bolsillo poco realistas debido a protocolos de cross-docking rígidos y una fuga de datos significativa entre los conjuntos de entrenamiento y prueba.

Metodología

Los autores presentan FLOWR, un marco generativo diseñado para la generación de novo de ligandos tridimensionales condicionados por bolsillos proteicos. La metodología integra diversas técnicas avanzadas:

Flow Matching con Transporte Óptimo Equivariante: A diferencia de los modelos de difusión que dependen de procesos estocásticos iterativos, FLOWR emplea flow matching continuo y categórico. Utiliza el transporte óptico equivariante (EOT) para reducir los costos de transporte entre la distribución de ruido y la distribución de datos. Este enfoque permite trayectorias de integración más rectas y un muestreo más eficiente.
Arquitectura: El modelo se basa en la arquitectura SEMLA, un marco de paso de mensajes E(3)-equivariante. FLOWR extiende esto incorporando un codificador de bolsillo dedicado que procesa las características del bolsillo proteico de forma independiente al tiempo de flujo y al ligando ruidoso. Esta codificación se computa una vez y se reutiliza, amortizando el costo. El decodificador del ligando utiliza atención cruzada (cross-attention) equivariante para integrar la información del bolsillo y, opcionalmente, perfiles de interacción.
Modelado Híbrido: FLOWR modela conjuntamente características continuas (coordenadas del ligando) y características discretas (tipos de átomos, órdenes de enlace, cargas formales). Utiliza flow matching continuo para las coordenadas y modelos de flujo discretos para las propiedades categóricas, prediciendo directamente las cargas formales.
Dataset SPINDR: Para abordar los problemas de calidad de datos, los autores presentan SPINDR (Small molecule Protein Interaction Dataset, Refined). Derivado del dataset PLINDER, SPINDR se somete a un riguroso proceso de refinamiento que incluye el uso del Schrodinger's protein preparation wizard, asignación de estados de protonación, inferencia de interacción a resolución atómica (vía ProLIF) y filtrado de calidad. Crucialmente, mantiene las divisiones de datos de PLINDER para minimizar la fuga entre entrenamiento y prueba, y proporciona perfiles de interacción explícitos.
FLOWR.MULTI: Una extensión del modelo base que permite la generación condicional multipropósito. Soporta la generación tipo inpainting, donde fragmentos específicos (por ejemplo, andamios/scaffolds, grupos funcionales o átomos involucrados en interacciones específicas) se fijan (se establecen en $t=1$ ), mientras se genera el resto de la molécula. Esto permite el scaffold hopping, la elaboración y el diseño condicionado por interacción sin necesidad de reentrenamiento.

Contribuciones Clave

Modelo FLOWR: Un modelo generativo basado en flujo que supera a los métodos de difusión y de flujo de vanguardia en precisión de pose, validez e interacción, ofreciendo además velocidades de inferencia significativamente más rápidas (hasta 70 veces más).
Dataset SPINDR: Un conjunto de datos de referencia de alta calidad y curado de complejos de co-cristal ligando-proteína que aborda los defectos estructurales y la fuga de datos prevalentes en datasets existentes como CROSSDOCKED2020 y PDBBind. Incluye perfiles de interacción precomputados a resolución atómica.
FLOWR.MULTI: Un marco versátil para la generación dirigida de ligandos. Permite la generación de ligandos que se adhieren a perfiles de interacción o subestructuras químicas predefinidas (andamios, grupos funcionales) en un solo modelo, facilitando estrategias de diseño basadas en fragmentos como el scaffold hopping y el linking sin un re-muestreo o reentrenamiento computacionalmente costoso.

Resultados

Las evaluaciones empíricas se realizaron tanto en el dataset CROSSDOCKED2020 (como comparación de referencia) como en el propuesto dataset SPINDR.

Desempeño vs. Baselines: En CROSSDOCKED2020, FLOWR superó a modelos como POCKET2MOL, DIFFSBDD, TARGETDIFF, DRUGFLOW y PILOT en todas las métricas, logrando la mayor validez de PoseBusters (0.92) y la menor energía de tensión (strain energy).
Evaluación en SPINDR: Al compararse con PILOT (el competidor más fuerte) en SPINDR:
- Validez: FLOWR logró una mayor validez de RDKit (0.94 vs. 0.79) y de PoseBusters (0.88 vs. 0.71).
- Precisión de Pose: FLOWR demostró puntuaciones de AutoDock-Vina superiores (-6.93 vs. -6.30) y menores energías de tensión (90.05 vs. 120.10 kcal/mol).
- Aprendizaje de Distribución: FLOWR mostró distancias de Wasserstein más bajas para ángulos de enlace, longitudes de enlace y ángulos diedros, indicando un mejor alineamiento con la distribución del conjunto de prueba.
- Eficiencia: FLOWR fue aproximadamente 70 veces más rápido que PILOT usando 20 pasos de integración (comparado con los 500 pasos de PILOT), y aun así fue 20 veces más rápido con 100 pasos.
- Recuperación de Interacción: FLOWR superó a PILOT en la recuperación de huellas dactilares de interacción (tasa de éxito del 47.1% vs. 43.2%).
Capacidades de FLOWR.MULTI:
- Condicionado por Interacción: Generó ligandos con una tasa promedio de recuperación de interacción del 76.1% y puntuaciones de Vina mejoradas (-7.18) en comparación con la generación incondicional.
- Basado en Fragmentos: Generó con éxito ligandos alrededor de andamios y grupos funcionales específicos, manteniendo una alta validez (validez PB > 0.85) y accesibilidad sintética (puntuaciones SA ~0.80) mientras permitía una exploración controlada del espacio químico.
- Hidrógenos Explícitos: Aunque el modelado de hidrógenos explícitos redujo la validez para ambos modelos (debido a la cobertura limitada de datos), FLOWR mantuvo un desempeño comparable a PILOT y mostró mejoras en las métricas de energía de tensión.

Significancia y Reivindicaciones

El artículo afirma que FLOWR y FLOWR.MULTI representan un avance significativo en el diseño de fármacos basado en estructura impulsado por IA. Al combinar técnicas de flow matching de vanguardia con un condicionamiento eficiente del bolsillo proteico, el marco mejora sustancialmente la fiabilidad y aplicabilidad de la generación de ligandos de novo, basada en interacciones y fragmentos.

Los autores enfatizan que el dataset SPINDR es un recurso crítico para la comunidad, proporcionando un estándar de referencia robusto que aborda las limitaciones de los conjuntos de datos actuales respecto a la calidad de la pose y la fuga de datos. Posicionan a FLOWR.MULTI como una herramienta práctica para campañas de expansión de hits, optimización de hit-to-lead y optimización de leads, capaz de generar ligandos que se alineen con patrones de interacción específicos y restricciones químicas sin necesidad de reentrenar el modelo.

No obstante, los autores mantienen la modestia respecto a las limitaciones actuales. Reconocen que los ligandos generados aún exhiben energías de tensión más altas que las estructuras de co-cristal de referencia, que el modelado de hidrógenos explícitos sigue siendo un desafío debido a la escasez de datos, y que el modelo actual opera sobre estructuras proteicas estáticas, ignorando la flexibilidad conformacional. Consideran estos modelos como herramientas de ideación que complementan, en lugar de reemplazar, la experiencia de la química medicinal y la validación experimental.