Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

El artículo presenta Felis, un kit de herramientas de código abierto y escalable para cálculos de energía libre de unión absoluta (ABFE) que, combinado con el campo de fuerzas ByteFF, logra un rendimiento de clasificación comparable a los métodos de energía libre relativa (RBFE) en grandes conjuntos de datos, incluyendo el desafío KRAS(G12D), sin necesidad de ajustes personalizados.

Lo esencial

Imagina que estás intentando encontrar la llave perfecta para abrir un candado muy complejo (el virus o la enfermedad). En el mundo de la medicina, esa "llave" es una molécula de un nuevo medicamento y el "candado" es una proteína dentro de tu cuerpo.

El problema es que hay millones de llaves posibles y probarlas una por una en un laboratorio es lento y costoso. Aquí es donde entran los científicos de computación.

¿Qué es este papel?

Los autores de este estudio (de ByteDance, la empresa detrás de TikTok) han creado una nueva herramienta llamada Felis. Piensa en Felis como un robot superinteligente y automatizado capaz de simular en una computadora cómo se encajan esas llaves (medicamentos) en el candado (proteína) y, lo más importante, qué tan fuerte se agarran.

El gran problema: La diferencia entre "Comparar" y "Medir"

Antes de Felis, la mayoría de los científicos usaban un método llamado RBFE (Energía Libre de Unión Relativa).

• La analogía: Imagina que quieres saber qué tan rápido es un coche nuevo. El método antiguo te decía: "Este coche es 2 segundos más rápido que el coche viejo que ya conocemos". Funciona bien si los coches son muy parecidos, pero si quieres probar un coche totalmente nuevo y extraño, el método falla porque no tiene nada con qué compararlo.

El nuevo método que usa Felis se llama ABFE (Energía Libre de Unión Absoluta).

• La analogía: Felis no compara el coche nuevo con el viejo. Simplemente lo pone en la pista, lo mide desde cero y te dice: "Este coche va a 100 km/h". Es más difícil de hacer porque requiere mucha más potencia de cálculo, pero te permite probar cualquier tipo de coche, incluso los muy extraños.

¿Qué lograron con Felis?

1. Velocidad y Escala: Crearon un sistema que puede probar 859 llaves diferentes contra 43 candados distintos de forma automática. Antes, hacer esto era tan lento que nadie lo usaba para buscar medicamentos nuevos rápidamente.
2. Precisión: Probablemente te preguntes: "¿Es tan bueno como el método antiguo?". ¡Sí! En sus pruebas, Felis logró clasificar los medicamentos con la misma precisión que los métodos más avanzados del mundo, pero sin necesidad de ajustar manualmente cada detalle para cada caso.
3. El "Caso Difícil" (KRAS): Probaron Felis en un escenario muy complicado: el cáncer de páncreas (KRAS). Aquí, las llaves y los candados tienen mucha electricidad (cargas) y se repelen o atraen de formas locas. Felis no solo sobrevivió, sino que funcionó muy bien, demostrando que puede manejar situaciones caóticas donde otros fallan.

¿Por qué es importante esto para ti?

Imagina que antes, para encontrar una aguja en un pajar, tenías que revisar el pajar con una lupa, centímetro por centímetro. Felis es como un escáner magnético gigante que revisa todo el pajar en segundos y te señala exactamente dónde están las agujas más prometedoras.

• Sin "Ajustes Manuales": Lo más genial es que Felis funciona "en modo cero". No necesitas ser un experto para configurarlo. Le das la proteína y la molécula, y él hace todo el trabajo sucio.
• Ahorro de tiempo y dinero: Al poder predecir con tanta precisión qué medicamentos funcionarán, las farmacéuticas pueden dejar de gastar millones en probar cosas que no van a funcionar en el laboratorio.

En resumen

Este estudio presenta a Felis, un nuevo "detective digital" que puede predecir con gran precisión cómo funcionarán los futuros medicamentos, incluso en casos muy difíciles. Es como pasar de adivinar el clima mirando las nubes a tener un satélite que te dice exactamente cuándo lloverá, permitiéndoles a los científicos diseñar mejores medicinas más rápido para salvar vidas.

Resumen técnico

Resumen Técnico: Desarrollo y Benchmarks a Gran Escala de un Toolkit de Energía Libre de Unión Absoluta (ABFE)

1. El Problema

El cálculo de la energía libre de unión absoluta (ABFE, por sus siglas en inglés) ofrece un enfoque teóricamente riguroso para predecir las afinidades de unión proteína-ligando sin las restricciones de similitud estructural (andamio o scaffold) que limitan a los métodos de energía libre de unión relativa (RBFE). Sin embargo, la adopción generalizada de ABFE en campañas de descubrimiento de hits de alto rendimiento se ha visto frenada por dos factores principales:

• Alto costo computacional: Requiere un muestreo extensivo, especialmente para las interacciones proteína-ligando.
• Falta de validación a gran escala: La mayoría de los estudios de validación existentes son pequeños en comparación con los benchmarks de RBFE, lo que dificulta su implementación como un flujo de trabajo de producción confiable y automatizado. Además, muchos métodos requieren ajustes manuales de parámetros de campos de fuerza o protocolos alquímicos específicos para cada sistema.

2. Metodología

Los autores presentan Felis (Free Energy of Ligand-protein InteractionS), un toolkit de código abierto, automatizado y escalable diseñado para cálculos ABFE de alto rendimiento.

• Protocolo de Simulación:
  • Utiliza el protocolo estándar de doble aniquilación (desacoplamiento del ligando del solvente y acoplamiento al sitio de unión).
  • Implementa restricciones geométricas estilo Boresch entre el ligando y la proteína para mantener la pose de unión durante el desacoplamiento. Las átomos ancla se seleccionan automáticamente basándose en la estructura secundaria estable y las interacciones específicas (puentes de hidrógeno, iónicas, etc.).
  • Manejo de cargas: Para ligandos cargados, se utilizan "aguas alquímicas" para mantener la neutralidad electrostática durante la transformación.
  • Campo de Fuerza: Se combina el campo de fuerzas AMBER ff14SB para proteínas con ByteFF25, un campo de fuerzas de mecánica molecular basado en datos para moléculas pequeñas. ByteFF25 mantiene parámetros no enlazantes (cargas y vdW) similares a GAFF2, pero con parámetros enlazantes entrenados en un conjunto de datos de química cuántica más extenso.
• Ejecución y Hardware:
  • Diseñado para OpenMM con una arquitectura que evita la comunicación entre GPUs (sin cross-GPU communication).
  • El camino alquímico se divide en segmentos superpuestos asignados a GPUs individuales, permitiendo una ejecución elástica en la nube y eliminando cuellos de botella de sincronización.
  • Se utiliza el estimador MBAR (Multistate Bennett Acceptance Ratio) para calcular las diferencias de energía libre.
• Enfoque "Zero-Shot": Un aspecto crucial es que todas las predicciones se generaron sin ajustes manuales de parámetros de campo de fuerza ni afinamiento de los protocolos alquímicos (λ-schedule) para los sistemas de prueba.

3. Contribuciones Clave

• Herramienta Automatizada (Felis): Desarrollo de un pipeline completo que automatiza desde la preparación de la estructura hasta el análisis de convergencia, eliminando la necesidad de intervención manual significativa.
• Validación a Gran Escala: Ejecución de benchmarks en 43 objetivos proteicos que abarcan 859 ligandos únicos, una escala comparable a los mejores benchmarks de RBFE existentes.
• Rendimiento en Casos Difíciles: Evaluación exitosa en un conjunto de datos desafiante de KRAS(G12D), que incluye ligandos dicatiónicos y un entorno de carga complejo (cofactores GTP/GDP e iones Mg2+), demostrando la robustez del método.
• Comparativa Directa: Primera demostración de que un método ABFE puede lograr un rendimiento de clasificación (ranking) comparable a los métodos RBFE de última generación (como FEP+), a pesar de que el conjunto de datos fue diseñado originalmente para RBFE.

4. Resultados

• Rendimiento de Clasificación: En el conjunto de 43 objetivos, Felis-ABFE (con simulaciones de 3-5 ns y 3 réplicas) logró estadísticas de clasificación (Spearman's ρ y Kendall's τ) muy cercanas a las de FEP+ RBFE (que utiliza 20 ns).
  • Aunque la distribución de FEP+ RBFE tiende ligeramente a mejores valores de correlación, Felis-ABFE mostró un rendimiento robusto, con múltiples sistemas alcanzando ρ ≈ 0.6 y τ ≈ 0.4.
• Precisión Absoluta: Los errores absolutos (MAE y RMSE debiados) de Felis fueron comparables a los de FEP+ RBFE.
• Estudio de Caso KRAS(G12D):
  • Se observó que se requieren simulaciones más largas (hasta 10 ns) para la convergencia estable de ligandos altamente cargados como MRTX1133.
  • Con 10 ns, Felis alcanzó un ρ de 0.76 y un τ de 0.64, demostrando consistencia robusta con los datos experimentales.
  • Se identificó un desplazamiento sistemático en la energía libre absoluta (debido a la reorganización de la proteína), que se corrigió mediante un desplazamiento constante para alinear la media con los datos experimentales, sin afectar la capacidad de clasificación.
• Análisis de Campos de Fuerza: La comparación entre los modelos de carga AM1-BCC y ABCG2 dentro de ByteFF25 no mostró diferencias estadísticamente significativas en el rendimiento de clasificación.
• Casos de Fallo: Se identificaron sistemas específicos (como hc_bace_2 y scyt_dehyd) donde el rendimiento fue bajo. En scyt_dehyd, se demostró que la inclusión de aguas cristalográficas específicas causaba inestabilidad, y su eliminación mejoró drásticamente los resultados (ρ de -0.07 a 0.89), destacando la importancia del manejo de solvente.

5. Significado e Impacto

Este trabajo establece a Felis como una herramienta viable y lista para usar ("ready-to-use") para el diseño de fármacos basado en la estructura a gran escala.

• Viabilidad de ABFE: Demuestra que la ABFE no está limitada a casos de nicho o a ajustes manuales intensivos; puede competir con la RBFE en flujos de trabajo de producción.
• Eficiencia: Logra un rendimiento comparable a métodos RBFE de 20 ns utilizando simulaciones mucho más cortas (3-5 ns) gracias a la estrategia de múltiples réplicas y la automatización.
• Futuro: El estudio señala que, aunque el rendimiento de clasificación es excelente, la precisión absoluta y la aplicabilidad a proyectos prospectivos dependerán de mejoras futuras en:
  1. La fiabilidad de las poses de unión iniciales.
  2. La asignación de estados de protonación.
  3. La optimización sistemática de parámetros no enlazantes (cargas y vdW) y la integración de mecanismos físicos avanzados (polarizabilidad, sitios virtuales) o potenciales de aprendizaje automático.

En resumen, Felis cierra la brecha entre la rigurosidad teórica de la ABFE y la necesidad práctica de escalabilidad en la industria farmacéutica, ofreciendo un motor de predicción de afinidad robusto y automatizado.