Pepti-Agent: An AI Agent for Peptide Design and Optimization

Resumen Técnico: Pepti-Agent

Planteamiento del Problema
Los péptidos terapéuticos ocupan un espacio de diseño crítico entre las moléculas pequeñas y los biológicos, ofreciendo ventajas en especificidad y capacidad de ajuste. Sin embargo, su desarrollo se ve obstaculizado por restricciones contrapuestas: la solubilidad, la actividad hemolítica y el ensuciamiento superficial no específico están gobernados por características de secuencia superpuestas, lo que significa que la optimización de una propiedad suele degradar otra. Los enfoques computacionales actuales suelen emparejar modelos generativos con predictores de propiedades, pero dependen de scripts monolíticos que son difíciles de inspeccionar, extender o reutilizar. Además, estos sistemas suelen refinar secuencias basándose en el razonamiento de lenguaje natural en lugar de rastrear el estado evolutivo de múltiples propiedades de cada candidato. El desafío consiste en crear un marco que trate el diseño de péptidos como un problema de optimización multiobjetivo con restricciones, donde el refinamiento sea guiado por las salidas de los predictores en tiempo real en lugar de un razonamiento estático.

Metodología
Los autores presentan Pepti-Agent, un marco específico para péptidos de bucle cerrado orquestado mediante el Protocolo de Contexto de Modelo (MCP). El sistema desacopla la generación, la predicción y la mutación en herramientas independientemente inspeccionables, permitiendo que un controlador de Modelo de Lenguaje de Gran Escala (LLM) las coordine basándose en datos en tiempo real.

• Arquitectura: El flujo de trabajo sigue un patrón de actuar-observar-adaptar. Cuando un usuario proporciona una secuencia semilla (o el agente la genera), el sistema la evalúa frente a tres predictores de propiedades. Si no se cumplen las restricciones, el agente entra en un buo de refinamiento iterativo.
• Componentes:
  • Generadores: Modelos PeptideGPT especializados en tareas generan candidatos para péptidos solubles, no hemolíticos y no adherentes (non-fouling).
  • Predictores: Clasificadores basados en ProtBERT (backbone congelado con cabezales lineales) estiman las probabilidades de solubilidad, hemólisis y no adherencia.
  • Operadores de Mutación: Dos operadores complementarios refinan las secuencias:
    1. Un mutador de sitio único guiado por LLM que propone sustituciones para mejorar una propiedad objetivo minimizando el impacto en otras.
    2. Un mutador de respaldo basado en ESM2 (modelo de lenguaje enmascarado) utilizado cuando la propuesta del LLM se estanca o es inválida.
  • Agregación: Se utiliza una puntuación compuesta $S(x) = p_{sol}(x) + p_{nf}(x) + (1 - p_{hem}(x))$ para clasificar candidatos y determinar las condiciones de parada.
• Lógica de Control: El controlador rastrea el perfil de múltiples propiedades de cada candidato. El refinamiento continúa hasta que se satisfacen los tres umbrales de propiedad (fijados en 0.5), se alcanza un presupuesto de rondas o se detecta una oscilación (reintroducción de una secuencia previa). El sistema prioriza la inspeccionabilidad, conservando las propuestas fallidas en el registro de la trayectoria para su diagnóstico en lugar de descartarlas.

Contribuciones Clave

1. Agente Orquestado por MCP: Introducción de un agente de bucle cerrado que integra generadores PeptideGPT, clasificadores basados en ProtBERT y operadores de mutación duales tras una interfaz de herramienta única y reutilizable.
2. Recuperación de Factibilidad: Demostración de que el agente puede llevar un grupo de péptidos generados a satisfacer los tres umbrales de propiedad simultáneamente, recuperando efectivamente la factibilidad de los candidatos que inicialmente fallaron.
3. Diagnóstico del Espacio de Búsqueda: Un análisis de inicio emparejado que compara el agente conservador contra una búsqueda de Sustitución Única Exhaustiva (ES). Esto revela el "margen" (potencial de optimización) dejado por los criterios de aceptación del controlador actual.
4. Expansión del Espacio de Acción: Un análisis de una configuración de refinamiento "agresiva" que relaja las restricciones de longitud fija, mostrando que las políticas de edición más amplias pueden acceder a regiones de mayor puntuación en el paisaje, aunque esto implique alterar la longitud de la secuencia.

Resultados
El artículo evalúa Pepti-Agent a través de tres análisis sobre 300 péptidos generados y 24 péptidos iniciales representativos:

• Refinamiento Conservador (Factibilidad): En un grupo de 300 péptidos, el agente redujo el número de candidatos que fallaban en cualquier umbral de propiedad de 2 a 0. Mientras que la solubilidad media y la hemólisis mejoraron ligeramente, la no adherencia media disminuyó ligeramente ($0.649 \to 0.637$), indicando un compromiso (trade-off). La puntuación compuesta $S$ mostró una mejora pequeña y no significativa. El agente recuperó con éxito la factibilidad, pero no optimizó significativamente la puntuación compuesta dentro de la región factible.
• Búsqueda Exhaustiva (Límite Superior Local): Al compararse con una búsqueda exhaustiva sobre sustituciones de un solo residuo (ES) en 24 péptidos iniciales factibles, el agente conservador fue superado en los 24 casos. El método ES logró una ganancia de puntuación compuesta media de $0.059$ sobre el original, mientras que la ganancia del agente conservador fue insignificante ($-0.001$). Esto indica que el controlador actual no logra alcanzar el óptimo local dentro del régimen de edición única y longitud fija.
• Refinamiento Agresivo (Espacio de Acción Expandido): Una política agresiva que permitió cambios de longitud logró una ganancia de puntuación compuesta media de $0.082$ sobre los inicios originales, superando tanto al agente conservador como a la búsqueda ES en la mayoría de los casos. Sin embargo, esta mejora fue impulsada principalmente por el cambio en la longitud del péptido (21 de 24 casos), con un aumento medio de longitud de 2.42 residuos. Cuando se restringió a salidas de igual longitud, el rendimiento del agente agresivo fue comparable al de ES.

Significancia y Afirmaciones
El artículo posiciona a Pepti-Agent no como un optimizador validado y superior a los métodos existentes, sino como un sustrato transparente y reproducible para estudiar estrategias de diseño de péptidos.

• Afirmaciones Modestas: Los autores declaran explícitamente que ningún candidato fue validado experimentalmente; todos los resultados son "internos del modelo" y están limitados por la calibración de los predictores. Las comparaciones de inicio emparejado se enmarcan como "diagnósticos del espacio de búsqueda" en lugar de comparativas definitivas.
• Perspectiva Central: El trabajo demuestra que el agente es efectivo en la recuperación de la factibilidad (llevar a los candidatos por encima de los umbrales) pero actualmente limitado en la optimización dentro de la zona factible debido a sus criterios de aceptación conservadores y su falta de búsqueda de vecindad.
• Dirección Futura: El artículo argumenta que el "diseño del espacio de acción" (qué ediciones se permiten) es al menos tan importante como el planificador mismo. Propone que el trabajo futuro debe separar los efectos de la lógica del controlador de la política de edición para cuantificar verdaderamente el valor de la orquestación agéntica.

En resumen, Pepti-Agent proporciona un marco modular e inspeccionable que integra con éxito modelos generativos y predictivos para el diseño de péptidos, ofreciendo un diagnóstico claro de dónde los agentes basados en herramientas actuales tienen éxito (recuperación de la factibilidad) y dónde fallan (optimización local) en comparación con la búsqueda exhaustiva.