Resumen Técnico: Evaluación de Acoplamiento de Una Sola Pose, Rescoring por Consenso y ML Supervisado en la Biblioteca LIT-PCBA

Declaración del Problema

El cribado virtual (CV) es un componente crítico del descubrimiento de fármacos moderno, con el objetivo de priorizar computacionalmente compuestos para su prueba experimental. Sin embargo, el poder predictivo de los métodos de CV se ve a menudo comprometido por el uso de conjuntos de datos de referencia sesgados (por ejemplo, DUD-E) que contienen sesgos análogos y artefactos de señuelos, lo que lleva a métricas de rendimiento infladas. Además, aunque los métodos recientes de Inteligencia Artificial (IA) como DiffDock reportan resultados sólidos en benchmarks estándar, su utilidad práctica en bibliotecas curadas experimentalmente y libres de sesgos sigue siendo incierta. Existe la necesidad de evaluar rigurosamente si los métodos de acoplamiento y rescoring impulsados por IA de última generación superan a los enfoques basados en física tradicionales en conjuntos de datos realistas caracterizados por bajas tasas de éxitos, y si las estrategias de consenso o el aprendizaje automático (ML) supervisado pueden mejorar aún más el enriquecimiento temprano.

Metodología

El estudio evaluó flujos de trabajo de acoplamiento y puntuación en la biblioteca LIT-PCBA (Bioensayo PubChem derivado de literatura), que comprende 578.295 pares ligando-diana a través de 15 dianas proteicas diversas (10.008 activos y 568.287 inactivos). La evaluación se centró en dos vías principales para la generación de poses:

1. Vía AutoDock: Utilizó AutoDock-GPU (una implementación acelerada por GPU de AutoDock 4.2). Cada ligando sufrió 10 ejecuciones independientes, reteniendo la pose de mejor afinidad.
2. Vía DiffDock: Utilizó DiffDock, un modelo generativo de difusión para acoplamiento ciego. Se muestrearon 20 poses por ligando, reteniendo la pose de mayor confianza.

Puntuación y Rescoring:
Las poses de ambas vías se rescoringaron utilizando:

• GNINA: Una función de puntuación basada en red neuronal convolucional 3D (CNN).
• NMDN (Red de Densidad de Mezcla Normalizada): Una función de rescoring basada en aprendizaje profundo que predice valores de pKd.
• Puntuaciones Nativas: Energía de unión de AutoDock y puntuaciones de confianza internas de DiffDock.

Estrategias de Consenso y Filtrado:
El estudio implementó puntuación de consenso basada en rangos para combinar múltiples métodos:

• Consenso No Ponderado: Promedio simple de rangos.
• Consenso Calibrado (CC): Promedio ponderado donde los puntuadores basados en ML (GNINA, NMDN) recibieron doble peso (2×) en comparación con la puntuación de acoplamiento base (1×).
• Filtrado: Se aplicaron tres estrategias de filtrado (Medio, Fuerte, Débil) basadas en umbrales de puntuación (por ejemplo, puntuación NMDN ≥ -800, CNNaffinity de GNINA ≥ 0.1) antes de la clasificación.
• Consenso Global: Rangos fusionados de ambas vías AutoDock y DiffDock.

Aprendizaje Automático Supervisado:
Se entrenaron varios modelos de ML (Redes Neuronales Anchas, MLPs Profundos, Bosques Aleatorios, XGBoost, LightGBM) para reordenar los ligandos. Las características incluyeron puntuaciones de acoplamiento crudas, transformaciones no lineales derivadas y términos de interacción. Los modelos se entrenaron con una división 75/25 de datos por diana para prevenir la fuga de datos.

Métricas:
El rendimiento se evaluó utilizando el Factor de Enriquecimiento al 1% y 10% (EF1%, EF10%), ROC-AUC, BEDROC (α=20) y métricas clásicas de clasificación (Precisión, Recall, Precisión Equilibrada).

Resultados Clave

1. Rendimiento de Método Único

• AutoDock-GNINA surgió como el método único más fiable, logrando un EF1% mediano de 2,14 y una precisión equilibrada del 50,5%. Superó significativamente a los métodos basados en DiffDock y a las líneas base.
• Limitaciones de DiffDock: DiffDock solo (EF1% mediano = 1,17) y DiffDock rescoringado con GNINA (EF1% mediano = 0,84) o NMDN (EF1% mediano = 0,67) tuvieron un rendimiento deficiente. Notablemente, las variantes basadas en DiffDock fallaron completamente (EF1% = 0) en la diana OPRK1, mientras que AutoDock-GNINA logró un EF1% de 12,5 en la misma diana.
• Inconsistencia de NMDN: El rescoring con NMDN fue inconsistente. Si bien mejoró el rendimiento en dianas específicas (por ejemplo, FEN1 cuando se emparejó con poses de AutoDock), a menudo degradó el rendimiento cuando se aplicó a poses de DiffDock u otras dianas.

2. Consenso y Filtrado

• Robustez: La clasificación de consenso calibrado (CC-Medio) mejoró la robustez, arrojando un EF1% mediano de 1,8 en ambas vías. Rescató con éxito dos dianas (FEN1 e IDH1) que AutoDock-GNINA por sí solo pasó por alto.
• Consenso Global: La fusión de ambas vías mediante Consenso Global logró un EF1% mediano de 1,9, el más alto entre las variantes de consenso, pero aún no superó el rendimiento de AutoDock-GNINA por sí solo.
• Compensaciones de Filtrado: El filtrado fuerte (UC-Fuerte) produjo un EF1% promedio alto en valores atípicos específicos (por ejemplo, PPARG), pero resultó en un EF1% mediano de 0 y una retención de activos cercana a cero, indicando alta volatilidad. El filtrado débil (CC-Débil) mantuvo una alta recuperación de activos (~100%) con enriquecimiento competitivo.

3. Aprendizaje Automático Supervisado

• Ganancias Significativas: El reordenamiento mediante ML supervisado entregó las mayores mejoras. El mejor modelo, una Red Neuronal Ancha (WNN), logró un EF1% de 4,49, representando una mejora de ~110% sobre el mejor puntuador clásico (AutoDock-GNINA en 2,14).
• Mejoras de Métricas: La WNN mejoró la precisión equilibrada del 50,5% (AutoDock-GNINA) al 55,4%, la precisión del 1,85% al 8,2% y el recall del 2,02% al 15,0%.
• Comparación: Los modelos de ML superaron a todas las estrategias de consenso basadas en rangos (EF1% mediano ~1,8–1,9), lo que sugiere que pueden capturar patrones no lineales a través de funciones de puntuación que un promedio simple no puede.

4. Eficiencia Computacional

• Rendimiento: AutoDock fue significativamente más rentable y rápido que DiffDock. AutoDock procesa aproximadamente 2 ligandos/segundo en una RTX 3090, mientras que DiffDock requiere 1–2 segundos por ligando en una GPU A100 más potente. El estudio estima que DiffDock requiere 4 a 8 veces la potencia computacional para entregar una precisión inferior en este contexto.

Significado y Afirmaciones

El documento concluye que, si bien el cribado virtual basado en acoplamiento proporciona un enriquecimiento útil, su poder predictivo absoluto en conjuntos de datos realistas como LIT-PCBA sigue siendo limitado. Las afirmaciones clave incluyen:

1. No hay Solucionador Universal: Ninguna técnica de acoplamiento única funciona de manera fiable en todas las dianas. El rendimiento es altamente dependiente de la diana, con métodos como DiffDock fallando completamente en dianas específicas (por ejemplo, OPRK1) donde los métodos clásicos (AutoDock-GNINA) tienen éxito.
2. Superioridad de Clásico + Rescoring ML: La combinación de un muestreador basado en física tradicional (AutoDock) con una función de rescoring ML moderna (GNINA) ofrece el mejor equilibrio entre precisión, costo y fiabilidad entre los métodos únicos.
3. Valor del Aprendizaje Supervisado: Los modelos de ML supervisado pueden aumentar significativamente el enriquecimiento (duplicando el EF1%) si hay suficientes datos experimentales disponibles para el entrenamiento, superando tanto a puntuadores únicos como a estrategias de consenso simples.
4. Precaución ante la Novedad: El estudio aboga por emplear técnicas de acoplamiento rigurosamente probadas y bien comprendidas en lugar de depender de métodos novedosos de IA impredecibles que pueden producir resultados inconsistentes, especialmente cuando los sesgos en los datos de entrenamiento (por ejemplo, "vecinos cercanos" en el conjunto de entrenamiento de DiffDock) pueden comprometer la generalizabilidad.
5. Limitaciones Inherentes: Incluso los métodos de mejor rendimiento (AutoDock-GNINA, reordenadores ML) solo logran una discriminación modesta (Precisión Equilibrada ~50–55%), lo que sugiere que el acoplamiento basado en estructura por sí solo no puede resolver completamente el problema de la búsqueda de éxitos y puede estar limitado por factores más allá del muestreo y la puntuación.

Los autores enfatizan que los flujos de trabajo efectivos deben priorizar métodos validados contra dianas específicas o sistemas estrechamente relacionados en lugar de asumir la superioridad universal de nuevos enfoques impulsados por IA.