Resumen Técnico: OpenDDE – Un Modelo de Fundamento Biomolecular de Átomos Completos de Código Abierto

Declaración del Problema

Modelar con precisión las interacciones biomoleculares sigue siendo un cuello de botella central en la biología y el descubrimiento de terapias. Si bien avances recientes como AlphaFold3 y el sistema propietario IsoDDE han demostrado el potencial del co-plegamiento (la predicción conjunta de estructuras de complejos proteicos, ácidos nucleicos y ligandos) para alcanzar una precisión de nivel experimental, los sistemas más capaces siguen siendo de código cerrado. Esto limita la reproducibilidad, la validación independiente y la extensión impulsada por la comunidad. Además, las mejoras incrementales en la precisión del co-plegamiento se están ralentizando, lo que plantea interrogantes sobre si la tokenización, la curación de datos y las arquitecturas actuales se están acercando a cuellos de botella prácticos. Existe una necesidad crítica de un modelo de fundamento de átomos completos, abierto y escalable, que pueda servir como una capa de razonamiento estructural compartida para el descubrimiento de fármacos, yendo más allá de la predicción de estructuras aisladas hacia el diseño de novo y la estimación de afinidad.

Metodología

OpenDDE (Open Drug Discovery Engine) se presenta como un modelo de fundamento biomolecular de átomos completos, de código abierto y con licencia Apache-2.0. Utiliza un marco basado en la difusión para generar coordenadas atómicas, unificando la predicción de estructuras y el diseño condicional.

Arquitectura y Razonamiento

OpenDDE emplea una vía de razonamiento de grueso a fino que opera sobre tokens biomoleculares antes de generar las coordenadas:

1. Tronco de Tokens de Residuos: El modelo construye primero representaciones de cadena única y de pares utilizando un tronco de tipo Pairformer para capturar el contexto relacional global a través de cadenas, residuos y ligandos.
2. Refinamiento de Tokens Estructurales: Los estados a nivel de residuo se expanden en tokens estructurales con significado químico (esqueleto, cadena lateral, base, ligando/átomo). Un Refinador Estructural dedicado realiza un razonamiento relacional detallado sobre estos tokens, refinando la geometría local, el contexto químico y las interfaces intermoleculares.
3. Razonamiento Latente Atómico: A diferencia del mapeo directo de secuencia a coordenada, OpenDDE incorpora razonamiento latente para refinar las representaciones de la geometría local y las interfaces antes de la generación final de la estructura de átomos completos.
4. Generación por Difusión: Un generador de coordenadas basado en la difusión elimina el ruido de las posiciones de los átomos, condicionado por las representaciones de los tokens estructurales refinados.

Estrategia de Entrenamiento

El modelo se entrena con 655 millones de parámetros utilizando GPUs NVIDIA Ampere y Hopper. El entrenamiento sigue un aprendizaje curricular de múltiples etapas diseñado para moverse de la precisión a la amplitud y de vuelta a la precisión:

• Curación de Datos: Los datos de entrenamiento se filtran con un corte de septiembre de 2021 para evitar la filtración de información (leakage). Incluye una mezcla de datos PDB ponderados, multímeros de AFDB, conjuntos de datos de Teddymer reproducidos, monómeros de MGnify, Swiss-Prot, motivos desordenados y estructuras de anticuerpos de SAbDab.
• Aprendizaje Curricular:
  • Etapas Tempranas: Se centran en estructuras a gran escala y validadas experimentalmente para aprender patrones de plegamiento precisos y geometría local.
  • Etapas Intermedias: Uso incrementado de conjuntos de datos destilados para ampliar la cobertura sobre el espacio de secuencias y estructuras.
  • Etapas Posteriores: Regreso a datos experimentales de alta calidad y específicos de tareas (incluyendo SAbDab) para mejorar la precisión atómica, el ajuste de interfaces y la calibración de la confianza.
• Funciones de Pérdida: El entrenamiento incorpora pérdidas de complementariedad de forma para supervisar el ajuste de la interfaz (premiando contactos compatibles y penalizando choques estéricos) junto con las pérdidas estándar de Smooth LDDT.
• Marco Unificado: La predicción de estructuras y el diseño de novo se tratan como instancias del mismo problema de eliminación de ruido condicional. Al enmascarar átomos específicos (fijándolos como contexto), el modelo puede realizar la generación condicional alrededor de estructuras proporcionadas sin requerir una arquitectura separada.

Leyes de Escala

Los autores investigan las leyes de escala a lo largo de dos ejes: tokens de entrenamiento estimados (pasos × GPUs × tokens de recorte) y costo de entrenamiento estimado (tokens × parámetros entrenables). Observan una relación positiva clara y sublineal entre la escala de entrenamiento y el rendimiento en la interacción anticuerpo-antígeno (Ab-Ag), lo que sugiere que el modelado biomolecular está entrando en un régimen de escala similar al de los grandes modelos de lenguaje.

Contribuciones Clave

1. Razonamiento Latente Atómico: La integración del razonamiento latente en el modelado biomolecular, permitiendo al modelo refinar la geometría local y las representaciones de la interfaz antes de la generación de coordenadas.
2. Fundamento Extensible: Una arquitectura unificada diseñada no solo para la predicción de estructuras, sino como una capa de razonamiento estructural compartida para futuros módulos que incluyen el diseño de novo, la predicción de afinidad y la optimización condicionada a la estructura.
3. Escalabilidad y Destilación: Identificación empírica de las direcciones de escala para modelos de co-plegamiento y estrategias de destilación revisadas para estructuras monoméricas y multiméricas para mejorar la robustez y la generalización.
4. Lanzamiento Abierto: La liberación del código de entrenamiento, los procesos de inferencia, los puntos de control (checkpoints) y los bancos de pruebas bajo la licencia Apache-2.0, con el objetivo de democratizar el acceso a la inteligencia biomolecular de vanguardia.

Resultados

OpenDDE fue evaluado frente a modelos cerrados de última generación (AlphaFold3, Chai-1) y modelos abiertos (Boltz-1, OpenFold3, Protenix-v1, ESMFold2) en tareas de predicción de estructura de anticuerpo-antígeno.

• Rendimiento en Benchmarks: OpenDDE logró las tasas de éxito más altas en tres benchmarks principales (PXMeter-AB, FoldBench-AB y el recién curado 2026ARK-AB).
  • En FoldBench-AB, OpenDDE alcanzó una tasa de éxito del 70.0% (DockQ > 0.23) bajo selección basada en clasificación, superando significativamente al siguiente mejor modelo abierto (Protenix-v1 con 48.5%) y a modelos cerrados como AlphaFold3 (48.8%).
  • En 2026ARK-AB (sistemas de baja homología, recientemente lanzados), OpenDDE logró un 66.4% de éxito, superando a ESMFold2 (51.0%) y Protenix-v1 (50.0%).
• Predicciones de Alta Calidad: El modelo mostró una fuerza particular en los regímenes de calidad media y alta (DockQ > 0.49 y > 0.8), indicando una mejora en el modelado de la geometría de unión más que una simple recuperación marginal.
• Rendimiento Oráculo: Bajo un escenario de selección oráculo (seleccionando el mejor candidato de múltiples muestras), OpenDDE alcanzó hasta un 81.9% de éxito en FoldBench-AB, lo que sugiere una fuerte capacidad de muestreo latente.
• Escalabilidad en Tiempo de Prueba: El modelo exhibe ganancias de rendimiento consistentes con el aumento del muestreo en tiempo de inferencia (más semillas), demostando que el cómputo adicional puede mejorar sistemáticamente la precisión de la predicción.
• Casos de Estudio: El análisis cualitativo en nuevos sistemas biológicos (por ejemplo, PDB 8Z8V, 8ZP2, 8JYR) mostró que OpenDDE recupera con precisión las geometrías de unión y las poses orientadas al epítopo, incluso para proteínas de membrana y estructuras recientes de criomicroscopía electrónica (cryo-EM).

Significado y Reivindicaciones

El artículo posiciona a OpenDDE como el primer modelo de fundamento generativo de átomos completos con licencia Apache que alcanza una precisión de co-plegamiento de nivel IsoDDE. Su principal significación radica en:

• Democratización: Proporcionar un fundamento abierto y reproducible para que la comunidad explore, refine y despliegue la inteligencia biológica a escala.
• Escalabilidad: Demostrar que los modelos de co-plegamiento pueden escalar eficazmente con datos y cómputo, reduciendo la brecha con los sistemas propietarios.
• Fundamento para el Descubrimiento de Fármacos: Establecer un núcleo estructural que puede evolucionar de la predicción de estructuras moleculares al diseño, puntuación y optimización de candidatos terapéuticos.

Los autores señalan explícitamente las limitaciones, reconociendo que las comparaciones con IsoDDE están limitadas por la falta de detalles públicos sobre la receta de entrenamiento de este último. También aclaran que el modelo actual está optimizado para interfaces macromoleculares (proteína-proteína, anticuerpo-antígeno) y aún no está totalmente optimizado para el acoplamiento (docking) proteína-molécula pequeña o la clasificación de afinidad, lo que requerirá una futura curación de datos y un post-entrenamiento consciente de la química. OpenDDE se presenta como el "fundamento centrado en el plegamiento" de un motor de descubrimiento de fármacos más grande y extensible, en lugar de un sistema completo e independiente.