Resumen Técnico: AgForce Habilita el Diseño Generativo de Anticuerpos Condicionado por Antígeno

1. Declaración del Problema

El diseño de anticuerpos terapéuticos requiere generar Regiones Determinantes de Complementariedad (CDR), específicamente el bucle altamente variable CDR-H3, que se unan a un antígeno diana. Aunque se han desarrollado modelos generativos profundos para condicionar el diseño de anticuerpos sobre la estructura del antígeno, una evaluación sistemática revela una falla crítica: los métodos existentes ignoran en gran medida la entrada del antígeno.

Los autores identifican tres modos de falla causalmente vinculados en los enfoques actuales de vanguardia (específicamente Redes Neuronales Gráficas Equivariantes con decodificación codiciosa):

1. Ceguera al Antígeno: Los modelos producen secuencias de CDR casi idénticas independientemente del antígeno diana. Una línea base sin antígeno a menudo logra una calidad de unión comparable a la de los modelos condicionados por antígeno, lo que indica que los mecanismos de condicionamiento contribuyen poco.
2. Colapso del Vocabulario: Las distribuciones de aminoácidos predichas están severamente restringidas, con vocabularios efectivos que colapsan a 3–5 aminoácidos por posición (en comparación con ~15.5 en secuencias nativas). Los residuos raros pero bioquímicamente críticos casi nunca son predichos.
3. El Techo de la Entropía Cruzada: Los autores demuestran teóricamente que minimizar la pérdida estándar de entropía cruzada por posición obliga al predictor óptimo a converger hacia la distribución marginal posicional (la frecuencia empírica de aminoácidos en cada posición a través del conjunto de entrenamiento), independientemente de la señal de condicionamiento. Esta propiedad matemática hace que sea demostrablemente imposible que los objetivos estándar de entropía cruzada generen predicciones específicas del antígeno.

2. Metodología: AGFORCE

Para abordar estos modos de falla, los autores proponen AGFORCE, una arquitectura novedosa de codificador-decodificador diseñada para el co-diseño de secuencia y estructura.

Arquitectura del Codificador

• Dropout del Andamiaje: Para evitar que el modelo dependa del andamiaje del anticuerpo como un "atajo" (ignorando el antígeno), los embebidos del andamiaje de la cadena pesada se corrompen mediante dropout (probabilidad del 30%) antes del paso de mensajes. Esto obliga al modelo a extraer información de la vía del antígeno.
• VirtualNode-EGNN: El complejo anticuerpo-antígeno se representa como un grafo heterogéneo. El codificador utiliza una Red Neuronal Gráfica Equivariante E(3) (EGNN) aumentada con nodos virtuales. Estos nodos virtuales crean un canal de información de dos saltos entre los residuos del epítopo y los residuos del CDR, mitigando el problema de "sobrecarga" donde la información distante del epítopo se diluye durante el paso secuencial de mensajes.
• Atención Cruzada Hiperbólica: En lugar de la atención euclidiana estándar, AGFORCE realiza una atención cruzada de CDR a epítopo sobre el hiperboloide de Lorentz. Esto aprovecha la naturaleza jerárquica de la unión anticuerpo-antígeno, donde la geometría global del epítopo restringe las elecciones locales de aminoácidos.

Arquitectura del Decodificador

• Red de Densidad de Mezcla (MDN) con Acoplamiento Pareado: Para romper el techo de la entropía cruzada, AGFORCE reemplaza la cabeza de secuencia lineal estándar con una MDN. El decodificador predice una mezcla de $K=4$ componentes. Cada componente utiliza una matriz de acoplamiento simétrica (tipo Potts) para modelar las preferencias de pares de aminoácidos entre posiciones adyacentes, refinadas mediante propagación de creencias.
• Aprendizaje de Múltiples Opciones Anillado (aMCL): El modelo se entrena utilizando aMCL en lugar de la verosimilitud de mezcla estándar. Un parámetro de temperatura $\tau$ se anilla de alto a bajo durante el entrenamiento. Esto permite que los componentes exploren soluciones diversas inicialmente y luego se especialicen en asignaciones de "ganador se lo lleva todo" para subconjuntos específicos de ejemplos de entrenamiento. Teóricamente, esto permite que las predicciones de componentes individuales difieran de la marginal posicional global, rompiendo así el techo.
• Regularización de Diversidad GDPP: Se aplica una función de pérdida de Proceso de Puntos Determinantal Generativo (GDPP) a los componentes de la mezcla para penalizar las desviaciones de la diversidad nativa, contrarrestando directamente el colapso del vocabulario.
• Pérdida de Clasificación de Antígeno: Una cabeza especializada enruta los gradientes a través de las distribuciones de secuencias predichas de vuelta al espacio de embebidos del antígeno. Utilizando un objetivo InfoNCE, esta pérdida obliga a las distribuciones de probabilidad de CDR predichas a codificar la identidad específica del antígeno, asegurando que el modelo no pueda ignorar el antígeno.

Objetivo de Entrenamiento

La función de pérdida total combina cinco términos:

1. Predicción de secuencia (MDN-Potts con aMCL).
2. Predicción de coordenadas (pérdida Smooth-$\ell_1$ en las coordenadas del esqueleto del CDR).
3. Pérdida de paratopo de sombra (imponiendo distancias correctas a la superficie del epítopo).
4. Regularización de diversidad GDPP.
5. Pérdida de clasificación de antígeno.

3. Contribuciones Clave

1. Marco Diagnóstico: El documento proporciona la primera identificación sistemática de tres modos de falla (ceguera al antígeno, colapso del vocabulario y el techo de la entropía cruzada) en métodos de GNN equivariantes para el diseño de CDR, verificados en cinco familias arquitectónicas.
2. Arquitectura AGFORCE: Una intervención dirigida para cada modo de falla:
   • Dropout del andamiaje y pérdida de consistencia del antígeno para abordar la ceguera.
   • Cabeza MDN-Potts con aMCL y regularización GDPP para abordar el colapso del vocabulario y el techo de la entropía cruzada.
   • Atención cruzada hiperbólica y nodos virtuales para una mejor codificación estructural.
3. Prueba Teórica: Una demostración formal que muestra que la optimización estándar de entropía cruzada converge a la marginal posicional, y que el objetivo aMCL propuesto admite soluciones que rompen esta convergencia.

4. Resultados Experimentales

El modelo fue evaluado en CHIMERA-BENCH, un conjunto de datos de referencia de 2,922 complejos anticuerpo-antígeno con una división por grupo de epítopos.

• Recuperación de Secuencia: AGFORCE logró una Recuperación de Aminoácidos (AAR) de 0.40, superando a las líneas base de secuencia más fuertes (RAAD, MEAN, dyMEAN) que convergieron a ~0.37. Esto representa una mejora del 8% sobre la línea base más fuerte y rompe el techo de entropía cruzada identificado.
• Calidad de Unión: AGFORCE logró un rendimiento de vanguardia en todas las métricas de unión simultáneamente:
  • Mayor fracción de contactos nativos (fnat = 0.67).
  • Menor RMSD de interfaz (iRMSD = 1.30 Å).
  • Mejor DockQ (0.74) y F1 de epítopo (0.77).
  • Superó a RefineGNN (una línea base fuerte sin ninguna entrada de antígeno), demostrando la eficacia de las funciones de pérdida específicas utilizadas.
• Diversidad: El vocabulario efectivo de AGFORCE fue de 9.4, casi el doble que el de las líneas base GNN (3.0–5.5) y acercándose a la diversidad nativa (15.5). El modelo produjo un 95.5% de secuencias únicas en los complejos de prueba, en comparación con un 20.9–76.4% para las líneas base.
• Estudios de Ablación: Eliminar la atención hiperbólica o el dropout del andamiaje degradó significativamente la calidad de unión. Eliminar la pérdida de clasificación de antígeno redujo las métricas de unión mientras mejoraba la perplejidad, confirmando su papel como regularizador que intercambia calibración por especificidad de unión.

5. Significado y Afirmaciones

Los autores afirman que AGFORCE demuestra que la elección de la función de pérdida y la cabeza del decodificador es más crítica que la arquitectura del codificador para el diseño de secuencias condicionadas en este dominio. Al ir más allá de la entropía cruzada estándar y la decodificación codiciosa, el documento muestra que es posible optimizar simultáneamente la recuperación de secuencia, la precisión estructural y la especificidad del antígeno.

El trabajo sugiere que los fracasos anteriores en el diseño condicionado por antígeno no se debieron a una falta de capacidad del modelo o de datos, sino a limitaciones fundamentales en los objetivos de entrenamiento (techo de la entropía cruzada) y estrategias de decodificación (decodificación codiciosa). AGFORCE proporciona un remedio principista, logrando el mejor rendimiento simultáneo en calidad de unión y recuperación de secuencia hasta la fecha.

Limitaciones Reconocidas:

• La AAR de contacto (precisión en las posiciones de unión directa) sigue siendo comparable a las líneas base, lo que sugiere que predecir aminoácidos exactos en las interfaces de unión es un problema más difícil que potencialmente requiere un modelado explícito de los rotámeros de las cadenas laterales.
• Aunque el vocabulario efectivo se ha casi duplicado, aún queda por debajo de la diversidad nativa completa.