APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

Resumen Técnico: APCyc – Diseño de Péptidos Cíclicos Informado por Propiedades mediante Ciclicación Automatizada

Planteamiento del Problema
Los péptidos cíclicos ofrecen ventajas terapéuticas significativas sobre los péptidos lineales, incluyendo una mayor estabilidad, afinidad de unión y conformaciones bioactivas preorganizadas. Sin embargo, el diseño de novo de péptidos cíclicos sigue siendo un desafío formidable. Los modelos generativos existentes están predominantidosamente entrenados en datos de péptidos lineales y suelen tratar la ciclicación como una modificación estructural post-hoc en lugar de una variable de diseño integrada. Este enfoque no logra capturar los complejos requisitos topológicos específicos de cada diana necesarios para una unión de alta afinidad. Además, los métodos actuales suelen depender de heurísticas de ciclicación rígidas y predefinidas (por ejemplo, sitios de unión o tipos fijos) y pasan por alto en gran medida la optimización simultánea de propiedades críticas relevantes para fármacos, tales como la permeabilidad de membrana, la resistencia a proteasas, la solubilidad y la inmunogenicidad. En consecuencia, el diseño de péptidos cíclicos es inherentemente un problema de optimización multiobjetivo que requiere equilibrar las restricciones terapéuticas más allá de la simple actividad de unión.

Metodología
Los autores proponen APCyc, un marco de difusión latente consciente del objetivo diseñado para automatizar la selección de topologías de ciclicación mientras optimiza conjuntamente múltiples propiedades fisicoquímicas. El método opera a través de tres mecanismos centrales:

1. Inyección Automatizada de Pares de Ciclicación:

   • Expansión del Vocabulario: APCyc extiende el vocabero estándar de residuos de aminoácidos para distinguir explícitamente entre residuos ciclicados y no ciclicados (por ejemplo, distinguiendo una cisteína con enlace disulfuro de una estándar), incluso si comparten la misma identidad de aminoácido.
   • Modelado de la Topología: El modelo formula la ciclicación como un problema de toma de decisiones discreto y condicionado por el objetivo. Predice tanto los tipos de enlace de ciclicación (por ejemplo, amida, disulfuro, isopeptídico) como los sitios de enlace específicos a nivel de residuo directamente desde el contexto del bolsillo de unión del receptor.
   • Mecanismo de Inyección: Se construye un tensor de representación de pares para capturar la compatibilidad semántica y la proximidad geométrica. Esta información se proyecta en subespacios específicos de la tarea para predecir una matriz de probabilidad de enlace y una distribución de tipo de ciclicación. Estas predicciones se inyectan en la red de eliminación de ruido (un AM-EGNN) mediante la aumentación de características de arista y la modulación de mensajes, guiando la trayectoria de difusión hacia cierres topológicos válidos.

2. Difusión Latente Geométrica:

   • APCyc utiliza un autoencoder de estilo dyMEAN para mapear grafos de péptidos en variables latentes a nivel de residuo (invariantes y equivariantes).
   • Se entrena un proceso de difusión latente tipo DDPM sobre estos latentes. La red de eliminación de ruido está condicionada por el contexto del bolsillo del receptor y las señales de topología en línea generadas por las cabezas de ciclicación.
   • El objetivo de entrenamiento combina la pérdida estándar de predicción de ruido de DDPM con una pérdida supervisada para la topología de ciclicación predicha (matriz de enlace y tipo).

3. Guía de la Posterior Bayesiana Informada por Propiedades:

   • Para optimizar las propiedades relevantes para fármacos, APCyc emplea una estrategia de guía basada en gradientes en el espacio latente.
   • Se entrenan sustitutos (surrogates) de energía diferenciables para predecir propiedades (solubilidad, permeabilidad, resistencia a proteasas, inmunogenicidad, afinidad de unión) a partir de los estados latentes ruidosos.
   • Durante el proceso de difusión inversa, el muestreo es dirigido mediante guía de la posterior Bayesiana. La función de puntuación (score function) se aumenta con gradientes de los sustitutos de propiedades, permitiendo la optimización conjunta de múltiples objetivos. Un esquema de ponderación adaptativa equilibra los gradientes de objetivos contrapuestos para evitar que una propiedad domine a las demás.

Contribuciones Clave

• Ciclicación Automatizada Condicionada por el Bolsillo: A diferencia de los métodos previos que requieren estrategias de ciclicación predefinidas, APCyc aprende a seleccionar tanto los tipos de ciclicación como los sitios de enlace directamente desde el contexto del bolsillo de unión de la diana, tratando la topología como una variable de diseño.
• Generación Controlable Informada por Propiedades: El marco utiliza la guía de la posterior Bayesiana para dirigir la generación a través de múltiples propiedades terapéuticas (afinidad, permeabilidad, resistencia a proteasas, solubilidad, inmunogenicidad), logrando puntuaciones de vanguardia en proxies de permeabilidad y resistencia a proteasas.
• Diseño de Extremo a Extremo (End-to-End): APCyc unifica la selección de la ciclicación, la generación de todos los átomos y la optimización guiada por propiedades. Logra una calidad estructural líder (por ejemplo, puntuaciones totales de Rosetta y consistencia) manteniendo una fuerte afinidad de unión.

Resultados Experimentales
El modelo fue evaluado en el conjunto de datos CPCore (un subconjunto refinado de CPSea que contiene ~72k complejos de péptido-proteína cíclicos) y probado en un conjunto no redundante de 56 dianas.

• Optimización de Propiedades: Las variantes de APCyc demostraron un control explícito sobre los objetivos de propiedades. El ajuste "Membrane-permeable" logró el proxy de permeabilidad más alto (0.107) entre todos los métodos, mientras que el ajuste "Multi-property" alcanzó el mejor puntaje de resistencia a proteasas (-1.474).
• Calidad Estructural: Los péptidos generados exhibieron alta estabilidad y consistencia. La variante de múltiples propiedades logró la mejor puntuación total de Rosetta (-758.545) y consistencia (0.971).
• Desempeño a Nivel de Diana: Los estudios de caso en dianas específicas (3rc4 y 4xal) mostraron que APCyc superó consistentemente a los métodos de referencia (PepGLAD, PepFlow, CPComposer) en puntuaciones de unión y perfiles de múltiples propiedades, mejorando significativamente la permeabilidad de membrana en dianas individuales.
• Estudios de Ablación: Eliminar el mecanismo de guía resultó en un menor desempeño en resistencia a proteasas e inmunogenicidad, confirmando la necesidad del componente guiado por propiedades.

Significancia y Reivindicaciones
El artículo afirma que APCyc aborda la limitación crítica de los modelos generativos existentes al integrar la selección de la topología de ciclicación directamente en el proceso generativo, en lugar de tratarlo como un paso de post-procesamiento. Al modelar explícitamente el acoplamiento entre la geometría de la diana, la estrategia de ciclicación y las propiedades relevantes para fármacos, APCyc permite el diseño controlable de péptidos cíclicos que satisfacen restricciones terapéuticas complejas. Los autores posicionan este trabajo como una base robusta para el próximo diseño de péptidos terapéuticos, ofreciendo un marco que equilibra la viabilidad estructural con la similitud a fármaco multiobjetivo. Los autores señalan que el método está destinado a apoyar el descubrimiento terapéutico proponiendo candidatos para la revisión de expertos y la validación experimental, en lugar de servir como una fuente directa de recomendaciones clínicas.