Resumen Técnico: PhAME – Edición Molecular Consciente del Fenotipo mediante Difusión Latente

Declaración del Problema

El descubrimiento de fármacos de moléculas pequeñas depende cada vez más de la optimización de moléculas candidatas frente a firmas biológicas de alta dimensión (fenotipos), como la morfología celular (Cell Painting) y los perfiles transcriptómicos (L1000), en lugar de ensayos de unión a objetivos únicos. El flujo de trabajo dominante implica Hit-to-Lead (H2L) y Optimización de Líderes (LO), donde una molécula "semilla" activa debe refinarse iterativamente para mejorar la potencia o alterar el mecanismo de acción, manteniendo al mismo tiempo la proximidad estructural con el hit original.

Los métodos generativos existentes no abordan este flujo de trabajo específico de manera efectiva:

• Los generadores centrados en ligandos producen moléculas válidas, pero carecen de mecanismos para dirigir hacia objetivos fenotípicos complejos o anclarse a una semilla específica.
• Los generadores condicionados por fenotipo (por ejemplo, GxVAE, SmilesGEN) típicamente generan moléculas de novo a partir de un objetivo fenotípico, ignorando la necesidad de comenzar desde un hit conocido.
• La Guía Libre de Clasificador Estándar (CFG) en modelos de difusión utiliza una única escala de guía, forzando un compromiso inevitable entre coincidir con el fenotipo objetivo y preservar la similitud estructural de la molécula semilla.

Metodología: Marco PhAME

Los autores proponen PhAME (Edición Molecular Consciente del Fenotipo), un marco de difusión latente que reformula la optimización molecular como una tarea de edición dentro del espacio latente de un Autoencoder Variacional (VAE) basado en grafos preentrenado.

1. Espacio Latente y Arquitectura

• Modelo Base: PhAME opera sobre el espacio latente de DGVAE [34], un VAE basado en grafos preentrenado que codifica grafos moleculares en vectores latentes continuos ($z_0$) y los decodifica de nuevo a cadenas SMILES válidas. El codificador y el decodificador están congelados; solo se entrena el modelo de difusión.
• Incrustación Consciente del Fenotipo: Para anclar la generación a una molécula semilla mientras se respeta la relevancia fenotípica, PhAME utiliza incrustaciones InfoAlign [24]. A diferencia de las huellas dactilares químicas crudas, las incrustaciones InfoAlign alinean la estructura molecular con los perfiles de respuesta celular (Cell Painting y L1000) a través de un cuello de botella de información. Esta incrustación ($z_{align}$) sirve como un ancla estructural que refleja una similitud fenotípicamente relevante.

2. Estrategia de Entrenamiento

• Construcción de Datos: Los pares de entrenamiento se construyen seleccionando moléculas estructuralmente similares que caen en lados opuestos de un umbral de propiedad (por ejemplo, unido vs. no unido, o logP alto vs. bajo).
• Objetivo: La red de eliminación de ruido $\epsilon_\theta$ se entrena para predecir el ruido añadido a la representación latente de una molécula objetivo ($z_0$) condicionada por:
  1. La firma fenotípica objetivo ($c$).
  2. La incrustación InfoAlign de la molécula semilla ($z_{align}$).
• Función de Pérdida: El objetivo de entrenamiento combina la pérdida de difusión estándar ($L_{diff}$) con una pérdida de alineación ($L_{align}$) que penaliza la muestra desruidada por alejarse demasiado de la incrustación InfoAlign de la semilla, asegurando la coherencia estructural.

3. Guía Libre de Clasificador Composicional (c-CFG)

La innovación central de PhAME es la sustitución de la CFG estándar por un esquema de guía composicional. En lugar de una única escala de guía $w$, PhAME descompone la señal de guía en dos términos independientes con escalas separadas:
$$\tilde{\epsilon}_\theta(\hat{z}_t, t, c, z_{align}) = \epsilon_\theta(\hat{z}_t, t, \emptyset, \emptyset) + w_c \Delta_c + w_a \Delta_a$$
Donde:

• $\Delta_c$ es la dirección del gradiente hacia el fenotipo objetivo ($c$).
• $\Delta_a$ es la dirección del gradiente hacia la estructura de la semilla ($z_{align}$).
• $w_c$ controla la fuerza de la coincidencia fenotípica.
• $w_a$ controla la fuerza del anclaje estructural.

Este desacoplamiento permite a los practicantes controlar explícitamente el compromiso entre optimizar una nueva propiedad biológica y mantener la similitud estructural con la semilla, eliminando el compromiso forzado inherente a la CFG de escala única.

4. Modos de Inferencia

• Edición Molecular: Una molécula semilla se codifica, se ruidifica parcialmente (controlando el radio de exploración) y luego se desruidifica utilizando el esquema de doble guía para generar análogos.
• Generación De Novo: El modelo puede muestrear desde ruido puro ($\hat{z}_T \sim \mathcal{N}(0, I)$) con $w_a=0$, funcionando como un generador estándar condicionado por fenotipo.

Contribuciones Clave

1. Edición Molecular por Difusión Latente: Introducción de un marco que permite la optimización sistemática de Hit-to-Lead guiada por firmas biológicas complejas dentro de un espacio latente de VAE basado en grafos.
2. Mecanismo de Guía Composicional: Una generalización novedosa de CFG que utiliza dos escalas independientes ($w_c$ y $w_a$) para controlar independientemente la coincidencia fenotípica y la proximidad a la semilla, resolviendo efectivamente el compromiso entre estos objetivos.
3. Rendimiento de Vanguardia: Demostración de resultados superiores en diversas modalidades, incluida la optimización de puntuaciones de acoplamiento, la generación condicionada por transcriptómica y la generación de Modo de Acción (MoA) impulsada por Cell Painting, manteniendo al mismo tiempo una alta validez química y novedad.

Resultados Experimentales

Los autores evaluaron PhAME en cuatro benchmarks distintos:

1. Edición de Propiedades Controlada (logP)

• Tarea: Optimizar valores de logP preservando la similitud estructural con moléculas semilla en el benchmark MOSES.
• Resultado: PhAME logró la puntuación NTS más alta (una métrica compuesta de Novedad, Éxito del Objetivo y Similitud), superando a líneas base como Mol-CycleGAN, DiGress y PURE. Demostró que el ajuste independiente de $w_c$ y $w_a$ permite al modelo coincidir con las fortalezas específicas de métodos especializados (por ejemplo, alto éxito de objetivo como DiGress o alta similitud como PURE) simultáneamente.

2. Optimización de Puntuación de Acoplamiento

• Tarea: Generar nuevos unidores de alta afinidad para cinco objetivos proteicos (PARP1, FA7, 5HT1B, BRAF, JAK2) utilizando un enfoque de aprendizaje curricular de tres etapas en ZINC250k.
• Resultado: PhAME estableció nuevos resultados de vanguardia, logrando las mejores puntuaciones de acoplamiento en los cinco objetivos y la mayor tasa de hits novedosos en cuatro de los cinco objetivos. Es notable que el 5% superior de las moléculas generadas por PhAME fue más potente que el 5% superior de todo el conjunto de entrenamiento ZINC250k.

3. Generación Guiada por Transcriptómica

• Tarea: Generar moléculas condicionadas por perfiles de expresión génica (L1000) para objetivos específicos (por ejemplo, AKT1, HDAC1).
• Resultado: PhAME superó a las líneas base condicionadas por genes (TRIOMPHE, GxVAE, SmilesGEN) en similitud farmacéutica (QED) y accesibilidad sintética (SA). Crucialmente, generó compuestos con una similitud estructural significativamente mayor a los unidores conocidos (hasta un +90% de mejora para HDAC1) en comparación con las líneas base, demostrando una recuperación efectiva de farmacóforos conocidos utilizando solo datos de expresión.

4. Generación Guiada por Fenotipo Celular (MoA)

• Tarea: Generar moléculas de novo condicionadas por centroides de morfología Cell Painting correspondientes a Modos de Acción (MoA) específicos.
• Resultado: PhAME superó significativamente a las líneas base (DGVAE, CPMolGAN, GFlowNet) en Precisión del Clúster Top-1 y Tasa de Recuperación de MoA a través de múltiples espacios de representación (ECFP, CLOOME, InfoAlign). Fue el único método que superó consistentemente la línea base de azar en todos los espacios, indicando un aprendizaje genuino de las relaciones estructura-actividad en lugar de un sobreajuste a una incrustación específica.

Significado y Afirmaciones

El artículo afirma que PhAME aborda un cuello de botella crítico en el descubrimiento de fármacos moderno: la incapacidad de los modelos generativos actuales para editar simultáneamente un hit conocido y dirigirlo hacia señales biológicas complejas a nivel de sistema. Al reformular la optimización como edición en el espacio latente e introducir una guía composicional, PhAME proporciona un mecanismo controlable para equilibrar los objetivos conflictivos de conservación estructural y optimización fenotípica.

Los autores afirman que este marco permite un proceso de Hit-to-Lead más eficiente, permitiendo a los investigadores explorar el espacio químico alrededor de compuestos activos conocidos mientras apuntan a resultados biológicos específicos (por ejemplo, silenciamiento génico o cambios morfológicos) sin depender de ensayos de unión a objetivos únicos. Los resultados sugieren que PhAME puede recuperar terapias conocidas a partir de moléculas semilla utilizando solo guía fenotípica, destacando su potencial para la reutilización de fármacos y la optimización de líderes.