Resumen Técnico: Evaluación Comparativa de Herramientas de Código Abierto para el Descubrimiento de Fármacos Antivirales In Silico

Declaración del Problema

El artículo aborda la brecha crítica en la preparación ante pandemias: la falta de antivirales aprobados por la FDA para la mayoría de las familias virales con potencial pandémico. Aunque las vacunas son una defensa primaria, enfrentan limitaciones que incluyen largos plazos de desarrollo, vacilación pública y la incapacidad de proteger contra patógenos difíciles de vacunar (por ejemplo, VIH, VRS). Además, la inmunidad adaptativa tarda semanas en desarrollarse, dejando una ventana de vulnerabilidad.

Los autores argumentan que la reposición de fármacos y el diseño de combinaciones antivirales ofrecen la vía más rápida para desplegar tratamientos efectivos durante un brote. Sin embargo, esta estrategia se ve obstaculizada por:

1. Problemas de Calidad de Datos: Los conjuntos de datos públicos existentes (por ejemplo, BindingDB) contienen ruido significativo, incluyendo poliproteínas virales sin procesar que no son adecuadas para el entrenamiento de aprendizaje automático (ML).
2. Variabilidad Metodológica: Existe una falta de evaluaciones comparativas integrales que comparen herramientas computacionales de código abierto (basadas en ML, acoplamiento y híbridas) específicamente en dianas de proteínas virales.
3. Barreras Económicas: Los incentivos farmacéuticos para la reposición son bajos debido a la exclusividad de mercado limitada y la complejidad de licenciar terapias combinadas.

Metodología

1. Curación de Datos y Procesamiento de Poliproteínas

Los autores construyeron un conjunto de datos personalizado y de alta calidad con 43.005 mediciones de unión proteína-ligando viral agregando datos de BindingDB, SMACC y Heli-SMACC.

• Desafío de las Poliproteínas: Un hallazgo crítico fue que el 31% de los datos de unión viral en BindingDB requería que las secuencias de poliproteínas se dividieran cuidadosamente antes de su uso. Muchas entradas listaban objetivos como grandes poliproteínas (por ejemplo, ORF1ab de SARS-CoV-2) en lugar de los dominios funcionales específicos (por ejemplo, Proteasa Principal) utilizados en los ensayos.
• Resolución: El equipo desarrolló una función de mapeo para vincular fragmentos de poliproteínas y nombres de ligandos con objetivos de proteínas específicos, utilizando LLMs (Haiku de Anthropic) para verificar referencias.
• Composición del Conjunto de Datos: El conjunto de datos final incluye 43.005 registros para entrenamiento y un conjunto de prueba retenido de 280 registros (solo valores Ki/Kd) para el ajuste inicial del modelo.

2. Ajuste Fino del Modelo

Los autores afinaron el modelo DrugFormDTA (Khokhlov et al., 2025), un modelo de ML basado en secuencias que utiliza Chemformer para moléculas y ESM-2 para proteínas.

• Estrategia de Entrenamiento: Entrenaron cuatro modelos separados y los combinaron en un ensemble, replicando la arquitectura original. Probaron tanto las funciones de pérdida MSE como Huber con diferentes programaciones de tasa de aprendizaje.
• Objetivo: Adaptar un modelo DTA general específicamente para proteínas virales, abordando el sesgo en los datos de entrenamiento originales que favorecían en gran medida las proteínas de mamíferos.

3. Marco de Evaluación Comparativa

Los autores evaluaron 15 herramientas de código abierto en un conjunto de prueba más grande y diverso de 853 compuestos antivirales que abarcaban 16 objetivos de proteínas de 10 especies virales (incluyendo SARS-CoV-2, VIH, VHC, Dengue, Zika, Influenza).

• Categorías de Herramientas:
  • ML/Basadas en Secuencia: DrugFormDTA, Boltz-2, GatorAffinity, Interformer, DrugCLIP, Uni-Mol+GNINA.
  • Acoplamiento/Basadas en Física: GNINA, FlowDock, DiffDock, Protenix-Dock, AutoDock-GPU, Vina-GPU, Uni-Dock.
• Métricas: El rendimiento se evaluó utilizando correlación de Pearson ($r$), correlación de rango de Spearman ($\rho$), $Q^2$, RMSE, MAE, AUROC y BEDROC.
• Manejo de Datos: Las puntuaciones brutas se recalibraron linealmente para igualar las unidades de $pK_d$ y garantizar una comparación justa entre herramientas con diferentes escalas de salida.

Resultados Clave

1. Impacto de la Limpieza de Datos y el Ajuste Fino

• Rendimiento de DrugFormDTA: El ajuste fino de DrugFormDTA en el conjunto de datos antiviral limpio y dividido por poliproteínas mejoró significativamente el rendimiento. La correlación de Pearson ($r$) aumentó de 0,50 (modelo base) a 0,70 (ensemble ajustado).
• Necesidad de Dividir Poliproteínas: Los resultados subrayan que no dividir las poliproteínas en los datos de entrenamiento degrada severamente la generalización del modelo a objetivos virales específicos.

2. Evaluación Comparativa de Herramientas de Código Abierto

En el conjunto de prueba de 853 compuestos, el rendimiento varió significativamente según el tipo de herramienta y el objetivo:

• Mejores Desempeños en ML: Boltz-2 y el DrugFormDTA ajustado finamente ocuparon los primeros lugares entre los enfoques basados en ML.
  • DrugFormDTA ajustado finamente logró $r = 0,701$.
  • Boltz-2 logró $r = 0,316$ en general, aunque tuvo un rendimiento excepcionalmente bueno en la Transcriptasa Inversa del VIH ($r = 0,68$), probablemente debido a la abundancia de datos de entrenamiento para esa proteína específica.
• Mejores Desempeños en Acoplamiento: GNINA (puntuación CNN) tuvo el mejor rendimiento entre los enfoques de acoplamiento ($r = 0,302$), superando a Vina estándar y otras herramientas de acoplamiento rígido.
• Tendencias Generales:
  • Varianza: Ninguna herramienta única tuvo el mejor rendimiento en todas las proteínas virales. El rendimiento fue altamente dependiente del objetivo (por ejemplo, Boltz-2 tuvo dificultades con MPro de SARS-CoV-2, probablemente debido al problema de poliproteínas en sus datos de entrenamiento).
  • Secuencia vs. Estructura: Los modelos solo de secuencia (DrugFormDTA) generalmente superaron a los métodos de acoplamiento basados en la estructura en esta evaluación comparativa específica, aunque herramientas de acoplamiento como GNINA permanecieron competitivas.
  • Tasas de Fallo: Algunas herramientas (por ejemplo, DiffDock en las pruebas iniciales de los autores) no lograron colocar ligandos en sitios activos sin una guía específica de la bolsa, resultando en una correlación cercana a cero.

3. Compilación de Recursos

Los autores compilaron y publicaron:

• Una biblioteca de 2.096 fármacos de moléculas pequeñas aprobados y 3.311 fármacos aprobados en total (incluyendo aprobaciones internacionales).
• Un conjunto de datos integral de compuestos GRAS (Generalmente Reconocidos como Seguros) y productos naturales derivados de COCONUT, LOTUS, FooDB y otras fuentes.
• Un panel público en antivirals-database.radvac.org que contiene antivirales en investigación y aprobados.

Significado y Afirmaciones

El artículo se posiciona como un recurso fundamental para la comunidad de código abierto en el descubrimiento de antivirales. Sus afirmaciones principales son:

1. La Integridad de los Datos es Paramount: El estudio demuestra que el principio de "basura entra, basura sale" es particularmente agudo en el descubrimiento de fármacos antivirales debido a las complejidades de las poliproteínas. Los autores afirman que una curación cuidadosa (división de poliproteínas) es un prerrequisito para entrenar modelos de ML efectivos.
2. Viabilidad del Código Abierto: El trabajo proporciona evidencia empírica de que las herramientas de código abierto, cuando se evalúan comparativamente y se ajustan finamente adecuadamente en datos relevantes, pueden lograr un rendimiento comparable o superior a los estándares comerciales para objetivos virales específicos.
3. Fundamento para una Respuesta Rápida: Al proporcionar un conjunto de datos limpio, una evaluación comparativa de herramientas y una biblioteca de compuestos reutilizables, los autores buscan reducir la barrera de entrada para los investigadores que desarrollan pipelines rápidos de reposición de fármacos y terapias combinadas.
4. Alcance Moderado: Los autores declaran explícitamente que, aunque su trabajo proporciona una base, no afirma haber resuelto el problema del diseño de fármacos de novo. Enfatizan que el campo aún carece de un único enfoque "mejor" y que la experiencia en química médica sigue siendo crucial para la selección final. Señalan que sus evaluaciones comparativas son específicas de los conjuntos de datos y objetivos probados y no garantizan la generalización a todos los brotes virales futuros sin una adaptación adicional.

El artículo concluye que invertir en estas tecnologías y técnicas es esencial para la preparación futura ante pandemias, permitiendo la identificación rápida de antivirales y el diseño de combinaciones de fármacos sinérgicas.