Site4Drug: Predicting Drug-Binding Target Sites with an AI Agent

Site4Drug es un agente de IA que predice sitios de unión fármaco-objetivo en proteínas, clasificados y conscientes de la modalidad, mediante la integración de diversa evidencia biológica para superar la ambigüedad y las tasas de fallo asociadas con la selección de regiones de intervención accionables, particularmente para proteínas de membrana.

Lo esencial

Imagina que eres un cerrajero intentando abrir una cerradura en una caja fuerte enorme y compleja (una proteína). En el pasado, los científicos a menudo asumían que ya sabían exactamente qué parte de la caja fuerte girar (el sitio de unión) y solo se concentraban en fabricar la llave (el fármaco). Pero, a menudo, el verdadero problema no es fabricar la llave, sino averiguar dónde ponerla siquiera.

Esto es especialmente complicado con las "proteínas de membrana", que son como cajas fuertes integradas en una pared. Algunas partes están ocultas dentro de la pared, otras están cubiertas por cinta adhesiva (recubrimientos de azúcar) y otras simplemente están demasiado abarrotadas para ser alcanzadas. Si intentas manipular una cerradura que está cubierta de cinta o enterrada en la pared, tu llave no funcionará, sin importar lo buena que sea.

Site4Drug es un nuevo "detective" de IA diseñado para resolver este problema del "dónde" antes de que empieces a fabricar las llaves.

El kit de herramientas del detective

En lugar de limitarse a adivinar, Site4Drug actúa como un agente superinteligente que reúne pistas de la "tarjeta de identidad" de la proteína (su secuencia de aminoácidos). No necesita un plano en 3D de la caja fuerte; puede averiguar las cosas simplemente leyendo el texto. Así es como funciona:

1. Comprobando el mapa (Topología): Observa la proteína para ver qué partes sobresalen (son accesibles) y cuáles están enterradas dentro de la pared (transmembrana). Sabe que no puedes manipular una cerradura que está dentro de la pared.
2. Escaneando la cinta adhesiva (PTMs): Comprueba si hay "Modificaciones Post-Traduccionales" (PTM), que son como notas adhesivas o cinta gruesa (como azúcares o fosfatos) que podrían cubrir la cerradura. Si un punto está cubierto de cinta, el detective lo marca como "riesgoso" o "bloqueado".
3. Buscando patrones especiales (Motivos): Escanea patrones específicos que suelen ser importantes para el trabajo de la proteína. Sabe que alterar estos puntos podría romper la proteína, por lo que los marca con precaución.
4. Comprobando "parejas pegajosas" (Disulfuros): Cuenta las "cisteínas" (un tipo de aminoácido) para ver si la proteína está unida mediante nudos internos. Si un punto forma parte de un nudo apretado, podría ser demasiado rígido para que un fármaco se una a él.

El enfoque de "Agente"

Lo que hace especial a Site4Drug es que no se limita a escupir una lista de números. Actúa como un equipo de especialistas manteniendo una reunión:

• El Biólogo comprueba si el punto tiene sentido para un fármaco biológico (como un anticuerpo).
• El Químico comprueba si el punto tiene sentido para un fármaco químico (como una pastilla).
• El Gestor de Riesgos señala todas las señales de alerta (por ejemplo: "¡Este punto está cubierto de cinta de azúcar!").

El "Agente de Decisión" final escucha a todos y produce un informe clasificado. No se limita a decir: "Aquí está el mejor lugar". Dice:

• "Aquí está el mejor lugar".
• "He aquí por qué creemos que es bueno".
• "Estos son los riesgos (como 'está cubierto de cinta de azúcar')".
• "Este es nuestro nivel de confianza".

Esto hace que el proceso sea auditable. Si el fármaco falla más adelante, los científicos pueden mirar el informe y decir: "Ah, elegimos un punto que estaba cubierto de cinta de azúcar. Por eso falló", en lugar de simplemente adivinar.

¿Qué tan bien funciona?

Los autores probaron este detective en dos tipos de cerraduras:

1. Bolsillos de moléculas pequeñas: Son diminutos agujeros dentro de las proteínas donde encajan los fármacos químicos. Site4Drug encontró estos puntos casi tan bien como las herramientas tradicionales que requieren un mapa 3D de la proteína, ¡a pesar de que Site4Drug no utilizó ningún mapa 3D!
2. Epítopos de anticuerpos: Son las "manijas" en el exterior de las proteínas donde los anticuerpos se agarran. Site4Drug identificó con éxito estas manijas analizando las pistas de la secuencia.

Un paso más allá de la computadora: Además de estos tests computacionales, hay un detalle emocionante mencionado en la conclusión del artículo: los autores revelaron que una de las predicciones de Site4Drug fue verificada experimentalmente en un laboratorio real. Aunque no divulgaron los detalles específicos de este experimento, el hecho de que una predicción generada por la IA haya sido confirmada en el mundo físico (y no solo en una simulación) es una señal muy alentadora de que la herramienta tiene un potencial real más allá de los números en una pantalla.

El "Traspaso"

Una vez que Site4Drug encuentra un buen lugar, no se detiene ahí. Puede entregar esa información a otras herramientas para diseñar realmente el fármaco.

• Si encontró un "bolsillo", puede enviar las coordenadas a una herramienta que diseñe moléculas pequeñas.
• Si encontró un "epítopo", puede enviar las coordenadas a una herramienta que diseñe anticuerpos o péptidos.

La conclusión

Site4Drug es como un GPS inteligente para el descubrimiento de fármacos. En lugar de conducir a ciegas y esperar encontrar un lugar para aparcar (un sitio de unión), analiza las señales de tráfico, el tráfico y las condiciones de la carretera para decirte exactamente dónde aparcar, por qué ese lugar es bueno y qué peligros potenciales (como obras o zonas de prohibido aparcar) deberías vigilar. Hace que el primer paso, el más confuso del descubrimiento de fármacos, sea más claro, seguro y fácil de entender.

Resumen técnico

Resumen Técnico: Site4Drug – Predicción de sitios de unión de fármacos a dianas mediante un agente de IA

1. Planteamiento del problema

La selección de una región proteica específica para la intervención terapéutica (selección del sitio diana) suele ser un cuello de botella más ambiguo y propenso al fracaso que la selección posterior de una molécula de unión. Este desafío es particularmente agudo para las proteínas de membrana, donde la accesibilidad, la topología y las modificaciones postraduccionales (PTM) restringen las regiones accionables.

Los procesos de descubrimiento actuales suelen asumir que el sitio de unión es conocido, centrándose en su lugar en el acoplamiento (docking), el cribado o la generación de ligandos (por ejemplo, BoltzGen, DrugCLIP). Sin embargo, los equipos suelen estancarse en la pregunta ascendente: dónde y con qué modalidad (por ejemplo, molécula pequeña frente a anticuerpo/péptido) se debe atacar la proteína.

• Limitaciones de los recursos existentes: Las bases de datos curadas como IEDB agregan evidencia de epítopos inmunológicos de entornos experimentales especializados que son dependientes del contexto e incompletos para la selección de sitios terapéuticos. Del mismo modo, los "pockets conocidos" suelen estar definidos operativamente por los residuos que contactan con ligandos co-cristalizados; esta definición es frágil para proteínas sin estructuras previas unidas a ligandos (por ejemplo, neoantígenos de cáncer).
• Limitaciones de las herramientas convencionales: Las herramientas geométricas (por ejemplo, fpocket) y las representaciones estructurales aprendidas (por ejemplo, RAPID-Net) identifican principalmente bolsillos (pockets) canónicos, pero tienen dificultades para incorporar metadatos diversos o definir sitios para otras modalidades de fármacos.
• La brecha: Existe una falta de sistemas auditables e integrados con evidencia que puedan proponer regiones candidatas, clasificarlas basándose en restricciones de viabilidad y registrar explícitamente el razonamiento detrás de la selección del sitio para distinguir entre fallos del modelo de unión y elecciones incorrectas de sitio.

2. Metodología: El Agente Site4Drug

Site4Drug es un agente de IA consciente de la modalidad diseñado para replantear la selección de sitios como un problema de decisión basado primero en restricciones e integrado con la evidencia. Opera mediante un pipeline de dos módulos:

Módulo 1: Agregación de evidencia y descubrimiento de regiones

Este módulo construye un resumen de evidencia a nivel de residuo y región a partir únicamente de la secuencia de la proteína, sin requerir entrada estructural 3D. Procesa tres clases de señales:

1. Prioridades de topología y accesibilidad: Un perfil de hidropatía de ventana deslizante de Kyte–Doolittle y un detector de transmembrana (TM) heurístico derivan una prioridad de accesibilidad gruesa. Las regiones que se solapan con segmentos TM se etiquetan como tmd/restricted (transmembrana/restringida), mientras que otras se etiquetan como outside/exposed (exterior/expuesta).
2. Predicción de PTM y enmascaramiento de vecindad: Los sitios de PTM se extraen utilizando un extractor respaldado por MusiteDeep con aumentación basada en reglas. Cada sitio se expande en una máscara local tipada (por ejemplo, residuos 208–214 para una fosfoserina en 211). El sistema registra los solapamientos entre las regiones candidatas y estas máscaras, incluyendo el tipo de PTM y la densidad local.
3. Hallazgos de motivos y proxy de Cisteína/Disulfuro: El sistema consulta los intervalos de motivos de ScanProsite, marcando los solapamientos como "motif-overlap" debido a posibles restricciones funcionales. El recuento de cisteínas se rastrea como un proxy ligero para segmentos restringidos por disulfuros.

Generación y clasificación de candidatos:
Condicionado por la secuencia y el resumen de evidencia compacto, un Modelo de Lenguaje Grande (LLM) propone una lista de regiones candidatas clasificadas en formato JSON.

• Lógica de puntuación: Los candidatos se puntúan mediante una heurística específica de modo: $S_0(r) = s_{mode}(r) - p_{TM}(r) - p_{PTM}(r) - p_{motif}(r)$.
  • Modo epítopo: Favorece ventanas polares, no TM y con pocas PTM.
  • Modo bolsillo (pocket): Otorga más peso a la hidrofobicidad y aplica penalizaciones de PTM más débiles.
• Banderas de riesgo: Un vector de riesgo separado genera anotaciones tipadas (por ejemplo, TM-overlap, glyco-mask-overlap, disulfide-constrained) junto con la puntuación.
• Adjudicación de especialistas: Un panel de agentes (BioAgent, ChemAgent, RiskAgent) proporciona una crítica secundaria sobre las afirmaciones y la evidencia. Un DecisionAgent sintetiza estas críticas en una decisión de modalidad final y una clasificación ajustada, adhiriéndose estrictamente a la evidencia presente en el contexto.

Módulo 2: Entrega de diseño específica de la modalidad

Las salidas clasificadas del Módulo 1 sirven como interfaz para las herramientas de diseño descendentes:

• Modo Epítopo: Los intervalos mejor clasificados se pasan a herramientas de diseño de péptidos o anticuerpos (por ejemplo, BoltzGen).
• Modo Bolsillo (Pocket): Las regiones de bolsillo mejor clasificadas se alimentan a herramientas de diseño o puntuación de moléculas pequeñas (por ejemplo, DrugCLIP, BindCLIP).

3. Contribuciones clave

• Descubrimiento de sitios basado primero en restricciones: Site4Drug introduce un marco que prioriza las restricciones de viabilidad (topología, PTM, motivos) antes de proponer candidatos, asegurando que se eviten sitios biológicamente ocluidos pero químicamente plausibles.
• Agnosticismo de modalidad: A diferencia de las herramientas que asumen un tipo de fármaco específico, Site4Drug puede recomendar una modalidad de unión (anticuerpo/péptido frente a molécula pequeña) basándose en la misma evidencia utilizada para el descubrimiento del sitio.
• Auditabilidad: El sistema genera un informe estructurado que incluye la modalidad recomendada, los candidatos clasificados, resúmenes de evidencia explícitos, banderas de riesgo y un registro de decisiones trazable, lo que hace que el paso de selección de sitio sea depurable.
• Operación basada solo en secuencia: El sistema logra plausibilidad estructural sin entrada directa de la estructura proteica, confiando en la agregación de evidencia derivada de la secuencia.

4. Resultados experimentales

Los autores evaluaron Site4Drug utilizando un conjunto de datos curado de 89 dianas (55 moléculas pequeñas, 26 anticuerpos, 8 de modalidad mixta) en lugar de un único benchmark fijo, reconociendo la falta de una verdad absoluta para el descubrimiento de nuevos sitios.

Dianas de moléculas pequeñas (Bolsillos/Pockets)

• Configuración: Evaluado en 63 dianas con estructuras de co-cristal conocidas (RCSB). La verdad absoluta se definió como los residuos dentro de 4 Å del ligando, remapeados a la secuencia de entrada.
• Rendimiento: Site4Drug logró un rendimiento de localización de sitio de bolsillo comparable al de fpocket (una línea base basada en estructura) incluso sin información estructural directa.
• Significancia: Los resultados del top-1 estadísticamente significativos fueron principalmente quinasas, que poseen bolsillos recurrentes característicos.
• Ablación: Una línea base de solo secuencia (sin evidencia explícita de TM/PTM/motivo) produjo un solapamiento significativamente menor (3/63 casos en top-1) en comparación con el pipeline completo, demostrando el valor de la agregación de evidencia explícita.

Dianas de anticuerpos (Epítopos)

• Configuración: Evaluado en 26 dianas de la base de datos ABCD con posiciones de epítopos anotadas.
• Rendimiento: Site4Drug produjo un solapamiento significativo ($p < 0.05$) con epítopos anotados en 8/26 casos (top-1) y 11/26 casos (top-5).
• Implicación: A pesar de la escasez y el ruido del benchmark, el sistema recuperó con éxito regiones de tipo epítopo significativas a partir de la evidencia derivada de la secuencia.

Fiabilidad estructural

• Validación: Utilizando AlphaFold3 para predecir estructuras para las 63 dianas del modo bolsillo, los autores analizaron los valores pLDDT (Local Distance Difference Test predicho) de los sitios predichos.
• Hallazgo: Los sitios predichos del top-1 generalmente exhibieron un pLDDT medio más alto (indicando mayor confianza estructural) que el conjunto más amplio del top-5. Esto sugiere que la agregación de evidencia basada en secuencias recupera implícitamente señales correlacionadas con la fiabilidad estructural.

Diseño de extremo a extremo (Prueba de concepto)

• Modo Bolsillo (Pocket): Utilizando el bolsillo de EGFR mejor clasificado, DrugCLIP recuperó moléculas estructuralmente similares a los inhibidores conocidos de EGFR (por ejemplo, lapatinib), con una prueba hipergeométrica que mostró un alto solapamiento estructural ($p < 10^{-11}$).
• Modo Epítopo: Utilizando los epítopos de EGFR mejor clasificados, BoltzGen generó ligandos peptídicos. Las clasificaciones de los ligantes resultantes se correlacionaron con características estructurales conocidas (por ejemplo, el targeting del Dominio III) y las restricciones de la topología de membrana.

Validación experimental preliminar

• Confirmación única: En la conclusión del artículo, los autores reportan que una predicción específica de Site4Drug fue confirmada mediante validación experimental, aunque los detalles metodológicos y el contexto específico de esta validación no se divulgaron en el documento.

5. Significancia y limitaciones

Significancia:
El artículo afirma que Site4Drug mejora la fiabilidad y la transparencia de la selección de sitios diana al producir propuestas de regiones conscientes de las restricciones y registros de decisiones auditables. Sirve como una interfaz ascendente interpretable para los flujos de trabajo de diseño de ligandos o moléculas pequeñas. Al identificar las regiones diana junto con la evidencia que respalda cada decisión, aborda el cuello de botella ascendente en el descubrimiento de fármacos, particularmente para dianas con información experimental limitada.

Limitaciones:

• Escala de datos: Los conjuntos de datos de validación son de tamaño modesto, particularmente para las dianas relevantes para anticuerpos, donde es difícil curar anotaciones de nivel de sitio fiables.
• Comparación con la línea base: La comparación directa con modelos de ML entrenados en estructuras es difícil debido al posible filtrado de datos (data leakage) de bases de datos de entrenamiento superpuestas (por ejemplo, scPDB/RCSB).
• Puerta estructural (Structural Gating): Aunque el sistema funciona sin estructura, el modo bolsillo depende inherentemente del contexto estructural. Algunos modelos requieren entrada estructural, lo cual puede ser intensivo en tokens y menos escalable.
• Estructura Cuaternaria: El modelo actual acepta secuencias de proteínas individuales y no tiene en cuenta las estructuras cuaternarias o los ensamblajes de múltiples dominios comunes en las proteínas de canal.
• Supervisión: Experimentos preliminares con Ajuste Fino Supervisado (SFT) mostraron comportamientos de atajo (por ejemplo, selecciones repetidas del extremo N-terminal), lo que sugiere que el trabajo futuro requiere señales de recompensa biológicamente fundamentadas en lugar de una simple supervisión de formato.
• Dependencia de la concentración: El modelo no tiene en cuenta actualmente la interacción con la diana dependiente de la concentración.

Los autores enfatizan que los resultados de Site4Drug deben tratarse como hipótesis para el seguimiento experimental, no como candidatos terapéuticos validados, y que las moléculas descendentes requieren una validación independiente de unión, especificidad y seguridad.