Resumen Técnico: ConTact – Diseño de CDRs de Anticuerpos Basado en el Contacto Primero mediante Razonamiento Explícito de la Interfaz

1. Declaración del Problema

Los métodos computacionales actuales para diseñar Regiones Determinantes de Complementariedad (CDRs) de anticuerpos condicionan las estructuras del antígeno para generar bucles de unión. Sin embargo, las arquitecturas existentes adolecen de una limitación estructural fundamental: confunden dos subproblemas distintos en una única cabeza de predicción.

1. Identificación de Contacto: Determinar qué posiciones de los CDRs contactarán físicamente con el antígeno.
2. Selección de Secuencia: Determinar qué aminoácidos colocar en esas posiciones basándose en la química local.

Los enfoques existentes, incluidas las Redes Neuronales de Grafos Equivariantes (por ejemplo, MEAN, RAAD) y los métodos basados en difusión (por ejemplo, DiffAb), típicamente propagan la información del antígeno mediante paso de mensajes uniforme o concatenación plana. Esto trata a todos los residuos del antígeno por igual, independientemente de la distancia, y obliga al modelo a aprender implícitamente el razonamiento de contacto mientras predice simultáneamente las secuencias. En consecuencia, la señal del antígeno se diluye en todas las posiciones, y el modelo asigna una capacidad de aprendizaje igual a las posiciones de no contacto (construidas principalmente por la geometría de la columna vertebral) y a las posiciones de contacto (construidas por interacciones químicas específicas con el antígeno). La evidencia empírica sugiere que estos métodos no aprovechan eficazmente la información del antígeno, ya que las predicciones permanecen casi sin cambios incluso cuando se elimina el antígeno.

2. Metodología: La Arquitectura CONTACT

Los autores proponen CONTACT, una arquitectura de "contacto primero" que descompone explícitamente el diseño de CDRs en una cascada de tres etapas: Huella Digital de Complementariedad, Predicción de Contacto y Generación de Secuencia Guiada por Contacto. Este enfoque aborda el "dónde" antes que el "qué".

2.1. Construcción y Codificación del Grafo

El complejo anticuerpo-antígeno se representa como un grafo heterogéneo que contiene residuos de la cadena pesada, cadena ligera y antígeno, junto con tokens delimitadores globales y nodos virtuales.

• Nodos Virtuales: Nodos virtuales especiales se conectan bidireccionalmente a todos los residuos de epítopo y CDR, creando un atajo de dos saltos para mitigar el problema de "sobrecarga" (over-squashing), donde la información de epítopos distantes se diluye a través del paso de mensajes secuencial.
• Codificador: Un VirtualNode-EGNN (GNN equivariante E(3)) realiza el paso de mensajes, actualizando simultáneamente las incrustaciones de residuos y las coordenadas de la columna vertebral.

2.2. Decodificador de Tres Etapas

La innovación central reside en el decodificador, que procesa la información secuencialmente:

• Etapa 1: Huella Digital de Complementariedad
  El modelo comprime las salidas de atención cruzada en una "huella digital" de baja dimensión para cada posición de CDR, caracterizando la complementariedad de la superficie local (por ejemplo, entornos hidrofóbicos frente a cargados). Esto se entrena utilizando una pérdida de contraste (InfoNCE) para asegurar que entornos locales similares produzcan huellas digitales similares.

• Etapa 2: Predicción de Contacto
  Utilizando las huellas digitales, las incrustaciones de CDR y las características agregadas de los vecinos más cercanos del antígeno, un predictor supervisado estima la probabilidad ($\hat{c}_i$) de que una posición específica de CDR contacte con el antígeno.

  • Pérdida: Se utiliza una pérdida de entropía cruzada binaria focalizada para manejar el desequilibrio de clases (los no contactos superan a los contactos entre 3 y 5 veces), centrándose en aprender posiciones de frontera difíciles y ambiguas.

• Etapa 3: Inyección de Complementariedad Local Puenteada por Contacto
  La confianza de contacto predicha ($\hat{c}_i$) actúa como una puerta para inyectar selectivamente características locales del antígeno en la representación del CDR.

  • Doble Puerta: La inyección se modula mediante una puerta aprendida ($g_i$) y la confianza de contacto ($\hat{c}_i$). En las posiciones de no contacto ($\hat{c}_i \approx 0$), la información del antígeno se anula efectivamente, evitando el ruido de residuos distantes. En las posiciones de contacto, se inyectan características del antígeno para guiar la selección de secuencia.
  • Atención Cruzada Sesgada por Distancia: Se aplica un sesgo espacial gaussiano a las puntuaciones de atención cruzada, favoreciendo a los vecinos espaciales y codificando un prior geométrico de que los contactos de unión están espacialmente próximos.

2.3. Objetivo de Entrenamiento

El modelo se entrena con una función de pérdida compuesta:

• Pérdida de Secuencia Ponderada por Contacto ($L_{seq}$): Una pérdida de entropía cruzada donde las posiciones predichas como contactos se ponderan hacia arriba ($w_i = 1 + \alpha \cdot \hat{c}_i$). Esto concentra las señales de gradiente en las posiciones críticas para la unión.
• Pérdidas Auxiliares: Incluye pérdida de coordenadas (suave-$\ell_1$ en las coordenadas C$\alpha$), pérdida de emparejamiento (emparejamiento de contraste de incrustaciones de CDR y antígeno), pérdida de acoplamiento (penalizando la distancia al epítopo) y pérdida de contraste de huella digital.

3. Contribuciones Clave

1. Descomposición Arquitectónica: El artículo identifica la confusión entre la identificación de contacto y la predicción de secuencia como un modo de fallo primario en el diseño actual de CDRs. Propone un paradigma de "contacto primero" que descompone estas tareas en una cascada supervisada explícita de tres etapas.
2. Mecanismo de Inyección Puenteada por Contacto: Un novedoso mecanismo de doble puerta (puerta aprendida $\times$ confianza de contacto) que enruta selectivamente la información del antígeno a las posiciones relevantes para la unión, evitando la propagación de ruido a los residuos de no contacto.
3. Atención Sesgada por Distancia y Pérdida: La integración de priores geométricos mediante atención cruzada sesgada por distancia y pérdida de entropía cruzada ponderada por contacto para alinear la capacidad de aprendizaje con la escasez de la interfaz CDR-antígeno.

4. Resultados Experimentales

El método se evaluó en CHIMERA-BENCH, un conjunto de datos de 2.922 complejos anticuerpo-antígeno, contra once líneas base que abarcan GNNs Equivariantes, modelos de Difusión/Flujo, EDOs y modelos Autoregresivos.

• Calidad Estructural: CONTACT logró el RMSD de C$\alpha$ más bajo (1.63 Å), representando una mejora del 7% sobre la siguiente mejor línea base (RAAD con 1.75 Å) y una mejora del 11% sobre MEAN.
• Conciencia del Epítopo: CONTACT logró la puntuación F1 de epítopo más alta (0.79), superando a las líneas base de GNN (RAAD/MEAN con 0.72) en un 10% y a RefineGNN (0.76) en un 4%. Esto valida la capacidad del modelo para identificar residuos relevantes para la unión.
• Calidad de Unión: El modelo logró la mayor fracción de contactos nativos (fnat 0.67) y puntuaciones DockQ competitivas (0.73).
• Recuperación de Secuencia: CONTACT logró la mayor Recuperación de Aminoácidos (AAR 0.38) entre todas las líneas base. Sin embargo, el AAR de Contacto (CAAR) permaneció comparable a otros métodos (~0.20), lo que sugiere que, aunque la arquitectura identifica mejor dónde unirse, predecir la identidad exacta del aminoácido en esas posiciones sigue siendo un cuello de botella fundamental.

5. Significado y Afirmaciones

El artículo afirma que el rendimiento superior de CONTACT se debe a su separación explícita del razonamiento de contacto de la generación de secuencia. Al proporcionar una vía supervisada para que la información del antígeno llegue a la cabeza de secuencia solo en las posiciones relevantes para la unión, el modelo evita la "dilución" de la señal observada en arquitecturas de paso de mensajes uniforme.

Los autores señalan que, aunque CONTACT mejora significativamente la calidad estructural y la conciencia del epítopo, la brecha entre el AAR general y el AAR de Contacto indica que el cuello de botella actual no reside en la asignación de capacidad de aprendizaje, sino en el contenido de información de las representaciones de antígeno a nivel de C$\alpha$. Sugieren que el trabajo futuro debe explorar representaciones de antígeno más ricas (por ejemplo, geometría de cadenas laterales, electrostática de superficie) para resolver completamente la dificultad de predecir identidades de aminoácidos específicas del antígeno.

El artículo concluye que la descomposición de "contacto primero" es un paso necesario hacia el diseño computacional efectivo de anticuerpos, ofreciendo un puente supervisado entre la estructura del antígeno y la especificidad de secuencia que carecen los métodos existentes.