Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion

Resumen Técnico: Predicción de la Afinidad de Unión Proteína-Ligando Confiable mediante Fusión de Motores Múltiples Consciente de la Fiabilidad

Planteamiento del Problema
La predicción precisa de la afinidad de unión proteína-ligando es una piedra angular en el descubrimiento de fármacos computacional; sin embargo, los motores de acoplamiento (docking) modernos frecuentemente producen predicciones conflictivas sin indicar cuál de los resultados es digno de confianza. Si bien el puntaje de consenso y los métodos de ensamble mejoran la precisión media, estos suelen tratar todas las predicciones de manera idéntica, careciendo de medidas de confianza interpretables o de una descomposición de la incertidumbre. Crucialmente, los enfoques existentes ignoran el contexto químico de pares específicos proteína-ligando, fallando al no distinguir entre la incertidumbre aleatoria (ruido inherente de los datos) y la incertidumbre epistémica (ignorancia del modelo). Además, los métodos de cuantificación de la incertidumbre (UQ) de un solo modelo no pueden capturar la incertidumbre epistémica adicional que surge del desacuerdo entre diversos motores, los cuales se basan en diferentes suposiciones, funciones de puntuación y datos de entrenamiento.

Metodología: RELIABLE-BA
Los autores proponen RELIABLE-BA (RELIABiLity-aware Evidential fusion for Binding Affinity), un marco evidencial diseñado para fusionar múltiples motores de acoplamiento teniendo en cuenta la fiabilidad dependiente del contexto. El marco opera en tres pasos principales:

1. Modelado de Expertos Evidenciales: Cada motor de acoplamiento se modela como un experto evidencial. En lugar de producir una única estimación puntual, cada motor predice los parámetros de una distribución Normal-Inversa-Gamma (NIG), $(\gamma_i, \nu_i, \alpha_i, \beta_i)$, que captura tanto la media predicha como la incertidumbre. Esto permite una descomposición en forma cerrada de la incertidumbre en componentes aleatorios (ruido de datos) y epistémicos (incertidumbre del modelo).
2. Escalamiento Consciente de la Fiabilidad: Una red de fiabilidad, condicionada por incrustaciones (embeddings) moleculares compartidas (derivadas de ESM-2 para proteínas y ChemBERTa para ligandos), aprende una puntuación de confiabilidad $r_i(x) \in (0, 1)$ para cada motor basada en el contexto específico de la proteína-ligando. Estas puntuaciones modulan la incertidumbre epistémica de cada experto mediante una transformación de escalamiento. Específicamente, la puntuación de fiabilidad escala los parámetros de evidencia ($\nu$ y $\alpha$) para aumentar la incertidumbre epistémica de los expertos menos fiables en un contexto dado, preservando al mismo tiempo la media predictiva ($\gamma$) del experto.
3. Agregación MoNIG: Los expertos escalados por fiabilidad se fusionan mediante una agregación de Mezcla de Normal-Inversa-Gamma (MoNIG). Este emplea un operador de suma en forma cerrada que combina las distribuciones NIG, acumulando tanto la incertidumbre dentro del experto como el desacuerdo entre motores. La regla de fusión asegura que las predicciones conflictivas de diferentes motores resulten en una mayor incertidumbre epistémica en el resultado final.

El modelo se entrena de extremo a extremo utilizando un objetivo conjunto que minimiza la log-verosimilitud marginal negativa (NLL) tanto a nivel de experto individual como a nivel de MoNIG fusionado, con regularización para evitar la acumulación excesiva de evidencia durante errores de predicción grandes.

Contribuciones Clave

1. Primer Marco Evidencial Multimotor: Se presenta RELIABLE-BA como el primer marco de afinidad de unión multimotor que combina la cuantificación de la incertidumbre evidencial con el modelado de fiabilidad dependiente del contexto.
2. Mecanismo de Escalamiento de la Fiabilidad: Los autores introducen un mecanismo novedoso que escala la incertidumbre epistémica basándose en puntuaciones de fiabilidad aprendidas sin alterar las medias predictivas de los expertos individuales, permitiendo una fusión coherente mediante MoNIG.
3. Capacidad de Predicción Selectiva: El marco permite la toma de decisiones consciente del riesgo al filtrar las predicciones basadas en la confianza, demostrando la capacidad de reducir significativamente el error de predicción al retener solo los pares de alta confianza.

Resultados Experimentales
Los autores evaluaron RELIABLE-BA en el banco de pruebas PDBbind 2020 (utilizando un protocolo de división temporal) y en el conjunto de prueba independiente BDB2020+. Se realizó una validación adicional en el conjunto de datos de la $M^{pro}$ del SARS-CoV-2 y en el receptor 5HT2A (un GPCR).

• Predicción Puntual: RELIABLE-BA logró una precisión de predicción puntual competitiva, alcanzando el Error Absoluto Medio (MAE) más bajo de 0.8247 y el $R^2$ más alto de 0.7017 en el conjunto de prueba de PDBbind, superando tanto a los motores individuales como a las bases de agregación tradicionales (por ejemplo, el puntaje de consenso y los ensambles profundos). En el conjunto independiente BDB2020+, alcanzó un MAE de 0.722.
• Calibración de la Incertidumbre: El modelo demostró una calibración de la incertidumbre sustancialmente mejorada en comparación con las bases de referencia. En PDBbind, redujo el Error de Calibración Esperado (ECE) en un 71.2% respecto a la regresión evidencial estándar.
• Predicción Selectiva: Al descartar las predicciones de baja confianza, RELIABLE-BA redujo el MAE hasta en un 25.7% cuando se retuvieron únicamente el 10% de las predicciones más confiables.
• Estudios de Ablación: Los experimentos confirmaron que el modelado de la fiabilidad dependiente del contexto es crítico; eliminarlo o utilizar pesos uniformes degradó tanto la precisión como la calidad de la incertidumbre. Además, aumentar el número de motores heterogéneos (de 2 a 4) mejoró consistentemente tanto la precisión como la calibración.
• Casos de Estudio: El método mantuvo un sólido desempeño en el conjunto de datos de la $M^{pro}$ del SARS-CoV-2 y en el receptor 5HT2A, demostrando aplicabilidad a objetivos clínicamente relevantes y robustez bajo cambios de distribución.

Significancia y Reivindicaciones
El artículo afirma que RELIABLE-BA ofrece un camino fundamentado hacia una IA guiada por la confianza en el descubrimiento de fármacos. Al proporcionar estimaciones de incertidumbre calibradas que reflejan tanto las limitaciones de los motores individuales como el desacuerdo entre motores, el marco permite a los profesionales priorizar las predicciones de alta confianza para la validación experimental, reduciendo así los falsos positivos costosos. Los autores posicionan a RELIABLE-BA como un enfoque práctico para el cribado virtual consciente de la incertidumbre, particularmente para objetivos terapéuticos desafiantes como los GPCR, donde la flexibilidad conformacional y la representación limitada de los datos de entrenamiento plantean dificultades significativas de modelado. El trabajo enfatiza que el marco es modular, lo que permite la integración de diversos motores de acoplamiento no redundantes para mejorar la robustez en los procesos de cribado a gran escala.