Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks

Resumen Técnico: Predicción de la degradabilidad de proteínas mediada por PROTAC sensible a la estructura mediante Redes Neuronales de Grafos

Declaración del Problema
Los quimeras de orientación a la proteólisis (PROTAC) ofrecen un mecanismo catalítico para degradar proteínas causantes de enfermedades mediante el reclutamiento de E3 ubiquitina ligasas. Sin embargo, existe un cuello de botella crítico en la etapa inicial del descubrimiento de fármacos: la selección de dianas. Determinar si una proteína específica es apta para la degradación mediada por PROTAC requiere actualmente la síntesis de moléculas candidatas y la realización de ensayos costosos basados en células. Los métodos computacionales existentes (por ejemplo, DeepPROTACs, DegradeMaster) dependen de la estructura molecular completa del PROTAC como entrada, lo que los hace inutilizables para la evaluación inicial de la diana donde el PROTAC aún no ha sido diseñado. Los autores abordan la necesidad de una herramienta de predicción previa a la síntesis que pueda evaluar la degradabilidad utilizando solo la información mínima disponible en la etapa de selección de la diana: la estructura de la proteína diana y la identidad de la E3 ligasa.

Metodología: DegradoMap
Los autores presentan DegradoMap, una Red Neuronal de Grafos (GNN) diseñada para predecir la degradabilidad binaria y la eficiencia de degradación continua sin datos estructurales del PROTAC. La arquitectura consta de cuatro módulos primarios:

1. Codificador de Grafo de Estructura-Ubiquitinación (SUG):

   • Entrada: Grafos de estructura de proteínas construidos a partir de estructuras predichas por AlphaFold (radio $r=8$ Å). Las características de los nodos incluyen embeddings opcionales de ESM-2 (1,280-dim), propiedades fisicoquímicas, pLDDT, SASA, puntuaciones de desorden y máscaras de sitios de ubiquitinación conocidos de PhosphoSitePlus.
   • Mecanismo: Una GNN de paso de mensajes invariante (SE(3)-invariante) actualiza las representaciones de los nodos utilizando distancias euclidianas escalares entre átomos de $C_\alpha$.
   • Innovación Clave: Un mecanismo de agrupación global ponderada por lisina (lysine-weighted global pooling). Dado que la ubiquitina se une a los residuos de lisina, el modelo aplica un softmax por proteína para dar mayor peso a los residuos de lisina basándose en un parámetro aprendido. Crucialmente, esto utiliza una normalización por proteína para evitar la fuga de datos entre el lote y una normalización de tamaño $1/\sqrt{N}$ para evitar que el tamaño de la proteína actúe como un atajo trivial.
   • Decisión de Diseño: Los autores eligieron deliberadamente una arquitectura invariante sobre diseños E(3)-equivariantes, encontrando que las características de distancia escalar son suficientes para esta tarea de predicción escalar y que los modelos equivariantes tienen un rendimiento inferior.

2. Módulo de Compatibilidad con E3:

   • Mecanismo: Una capa de atención cruzada bidireccional que modela la compatibilidad entre la representación de la proteína (query) y la identidad de la E3 ligasa (key/value).
   • Implementación: Las E3 ligasas se representan como embeddings aprendidos (en lugar de características estructurales) debido al número limitado de E3 distintas (10) en el conjunto de datos. Esto permite que el modelo aprenda "filtros" específicos de la E3 sobre la estructura de la proteína.

3. Codificador de Contexto Celular:

   • Entrada: 59 características específicas de tejidos del Cancer Dependency Map (DepMap), que cubren la expresión génica, los niveles de proteína y la pertenencia a vías metabólicas.
   • Mecanismo: Un MLP residual procesa estas características para tener en cuenta las variables celulares como los niveles de expresión de la E3 y la capacidad del proteasoma.

4. Fusión con Compuerta (Gated Fusion) y Predicción:

   • Un mecanismo de compuerta aprendido pondera dinámicamente las salidas de los módulos SUG, E3 y de Contexto.
   • La representación fusionada alimenta dos cabezales: un clasificador binario para la degradabilidad (tarea primaria) y un regresor para la eficiencia continua (tarea auxiliar).
   • Entrenamiento: El modelo utiliza una pérdida multitarrea (Entropía Cruzada Binaria, Huber y Focal Loss) y una estrategia de entrenamiento de tres fases (pre-entrenamiento de SUG, entrenamiento conjunto SUG+E3 y ajuste fino completo) para garantizar la estabilidad.

Resultos Clave
El modelo fue evaluado en el benchmark PROTAC-8K (3,101 muestras, 155 dianas, 10 E3 ligasas) utilizando tres divisiones distintas: Aleatoria, Di-no vista (Target-Unseen, la más rigurosa) y E3-no vista (E3-Unseen).

• Rendimiento en Dianas No Vistas (Target-Unseen):
  • El modelo mejorado (con ESM-2) alcanzó un AUROC medio de 3 semillas de 0.646 ± 0.124 (mejor semilla: 0.7449).
  • Una evaluación extendida de 6 semillas arrojó un AUROC medio de 0.603 ± 0.097, que no fue estadísticamente superior a un baseline de Gradient Boosting (0.607, $p=0.556$).
  • Los autores señalan una alta varianza entre las semillas, lo que sugiere que se requiere el uso de ensambles para un despliegue fiable.
• Transferencia de E3 No Vista (E3-Unseen):
  • El modelo logró un AUROC de 0.811 al transferir desde datos de entrenamiento dominados por CRBN a un conjunto de prueba de solo VHL, demostrando una generalización exitosa entre E3 a nivel de ligasa.
  • Sin embargo, las proteínas dirigidas a VHL específicamente fallaron en la división de diana no vista (0.603 AUROC, por debajo del azar), indicando que los patrones estructurales aprendidos para CRBN no se generalizan bien a los objetivos de VHL.
• Recomendación de E3:
  • El modelo recomienda con éxito las E3 ligasas óptimas, logrando una precisión Hit@3 del 74% (la E3 correcta está en las 3 recomendaciones principales) y un Rango Recíproco Medio (MRR) de 0.641.
• Calibración:
  • El modelo exhibe una excelente calibración en la división de diana no vista (ECE = 0.029), lo que permite a los profesionales confiar en las puntuaciones de confianza para el cribado basado en umbrales.
• Hallazgos de Ablación:
  • Eliminar la característica explícita del "indicador de lisina" en realidad mejoró el rendimiento, lo que sugiere que la agrupación ponderada por lisina de la arquitectura es un sesgo inductivo más efectivo que la anotación de características explícitas.
  • Los embeddings de ESM-2 mejoraron el rendimiento máximo solo con una regularización cuidadosa (tasa de aprendizaje más baja, reducción de dropout); la integración ingenua degradó el rendimiento.

Significado y Reivindicaciones
El artículo posiciona a DegradoMap no como una solución definitiva que supera a todos los baselines en cada métrica, sino como una herramienta pragmática previa a la síntesis que llena un vacío específico en el flujo de trabajo del descubrimiento de fármacos.

• Requisito de Entrada Mínimo: A diferencia de otros métodos, DegradoMap requiere solo un ID de UniProt (para la estructura de AlphaFold) y el nombre de la E3 ligasa, permitiendo la evaluación antes de cualquier síntesis de PROTAC.
• Paradigma Complementario: Los autores presentan DegradoMap como complementario a los métodos de información completa (como DegradeMaster). DegradoMap es para el cribado de dianas (pre-síntesis), mientras que los métodos de información completa son para la optimización de moléculas (post-síntesis).
• Limitaciones Honestas: Los autores reconocen explícitamente que el rendimiento promedio de 6 semillas del modelo no es estadísticamente significativo en comparación con baselines más simples y que el rendimiento es altamente variable y dependiente de la E3 (específicamente fallando en objetivos de VHL). Argumentan que el valor del modelo reside en su interpretabilidad estructural (a través de los pesos de atención de la lisina), su capacidad de recomendación de E3 y sus puntuaciones de confianza bien calibradas, más que en el dominio del AUROC bruto.
• Perspectivas Arquitectónicas: El artículo contribuye con hallazgos más amplios al aprendizaje profundo geométrico, específicamente que las arquitecturas invariantes pueden superar a las equivariantes para la predicción de propiedades escalares en este dominio, y que los embeddings de modelos de lenguaje de proteínas requieren una regularización específica de la tarea para ser beneficiosos.

En resumen, DegradoMap proporciona un marco computacionalmente eficiente y sensible a la estructura para la evaluación de dianas de PROTAC en etapas tempranas, ofreciendo orientación accionable sobre la selección de E3 y la probabilidad de degradabilidad, mientras reporta de manera transparente sus limitaciones respecto a la escasez de datos y la varianza de las semillas.