CROWN: Curated Repository Of Well-resolved Noncovalent interactions

El artículo presenta CROWN, un nuevo conjunto de datos de 153.005 complejos proteína-ligando curado y optimizado mediante un pipeline automatizado que equilibra la cobertura masiva con el control de calidad riguroso, ofreciendo un recurso superior para el entrenamiento de modelos de aprendizaje automático en interacciones moleculares sin depender de afinidades de unión externas.

Lo esencial

Imagina que quieres enseñar a un robot a entender cómo encajan las llaves (los medicamentos) en las cerraduras (las proteínas del cuerpo). Para que el robot aprenda bien, necesitas darle miles de fotos de estas llaves y cerraduras.

El problema es que las fotos que ya existen en los archivos públicos (llamados PDB) son un caos. Algunas están borrosas, otras tienen piezas faltantes, algunas muestran la cerradura rota y otras tienen notas escritas a mano que no se entienden. Si le das ese caos a tu robot, aprenderá cosas incorrectas.

Aquí es donde entra CROWN.

¿Qué es CROWN?

CROWN es como un filtro de alta tecnología y un taller de restauración que toma ese caos de fotos y lo convierte en un álbum de fotos perfecto, nítido y ordenado, listo para que cualquier inteligencia artificial lo estudie.

Su nombre significa "Repositorio Curado de Interacciones No Covalentes Bien Resueltas", pero piensa en él simplemente como "La Biblioteca de las Llaves Perfectas".

El Problema: Dos extremos molestos

Antes de CROWN, los científicos tenían que elegir entre dos opciones malas:

1. Las colecciones pequeñas y perfectas: Eran como un museo con solo 20 fotos. Estaban impecables, pero no mostraban la variedad de cerraduras del mundo real. El robot aprendía poco.
2. Las colecciones gigantes y desordenadas: Eran como un basurero con 650,000 fotos. Había de todo, pero muchas estaban rotas, borrosas o con piezas pegadas donde no debían estar. El robot se confundía con el ruido.

La Solución: El proceso de CROWN

Los autores crearon un sistema automático (un "robot dentro del robot") que toma las 650,000 fotos crudas y las pasa por un proceso de 5 filtros y 2 talleres de reparación:

1. El Filtro de Calidad (La lupa): Descartan las fotos que están demasiado borrosas (resolución baja) o donde la "llave" no encaja bien en la foto.
2. El Filtro de la Llave: Si la "llave" es algo que no es un medicamento (como un ion de sal o un trozo de cristal), ¡fuera! Solo quieren moléculas interesantes.
3. El Filtro del Entorno: Si la foto no muestra bien la cerradura completa (faltan piezas de la proteína alrededor), la tiran. La llave necesita ver dónde encaja.
4. El Taller de Reparación (El mecánico): Aquí es donde ocurre la magia.
   • Si faltan átomos, los inventan basándose en la física.
   • Si hay dos versiones de la misma pieza (confusión), eligen la más probable.
   • Si hay piezas que chocan entre sí (como dos manos intentando ocupar el mismo espacio), las separan suavemente.
5. El Ajuste Fino (La energía): Imagina que la foto está un poco tensa, como si la cerradura estuviera torcida por la presión de la cámara. CROWN usa una técnica especial llamada "minimización de energía con restricciones".
   • La analogía: Imagina que tienes una foto de una persona posando. Quieres que se relaje un poco para que la postura sea natural, pero sin cambiar su cara ni su ropa. CROWN relaja los músculos (átomos) que están tensos, pero mantiene la cara (la estructura principal) exactamente donde estaba en la foto original. Esto crea una versión "idealizada" pero realista.

¿Por qué es especial?

La gran innovación de CROWN es que no necesita saber si la llave funciona o no (no necesita datos de "afinidad" o cuánto cuesta el medicamento). Solo se fija en cómo encajan las piezas en el espacio 3D.

• Otras bases de datos: "Aquí tienes 100 fotos, pero solo 10 dicen si la llave abre la puerta".
• CROWN: "Aquí tienes 153,000 fotos perfectas de cómo encajan las piezas. Tú mismo descubre las reglas de cómo encajan".

El Resultado

Al final del proceso, CROWN tiene 153,000 complejos proteína-ligando (llave-cerradura) que son:

• Más diversos: Muestra cerraduras de muchas más especies y tipos que las bases de datos anteriores (4 veces más variedad).
• Más limpios: No hay piezas rotas, ni choques imposibles, ni átomos faltantes.
• Listos para la IA: Como todo está estandarizado y reparado, las inteligencias artificiales modernas pueden aprender patrones reales de cómo se unen las moléculas.

En resumen

CROWN es como un restaurador de arte digital que toma un montón de cuadros viejos, rotos y borrosos, los limpia, repara las grietas, ajusta los colores y los organiza en una galería perfecta. Gracias a esto, los científicos pueden entrenar a sus robots para que descubran nuevos medicamentos más rápido y con menos errores, porque ahora están aprendiendo de la mejor "biblioteca de fotos" que existe.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo sobre CROWN (Curated Repository Of Well-resolved Non-covalent interactions), traducido y estructurado en español.

1. El Problema

El desarrollo de modelos de aprendizaje automático (machine learning) para interacciones proteína-ligando se ve fundamentalmente limitado por la calidad y la diversidad de los datos estructurales disponibles. Los investigadores se enfrentan a un compromiso insatisfactorio entre las bases de datos existentes:

• Conjuntos de datos curados manualmente (ej. PDBBind, HiQBind): Ofrecen alta fiabilidad estructural y corrección de errores, pero cubren solo una pequeña fracción del Protein Data Bank (PDB), limitando la diversidad química y biológica y afectando la generalización de los modelos.
• Recursos a gran escala (ej. PLInder): Proporcionan una cobertura amplia (casi 650.000 entradas), pero carecen de un control de calidad riguroso. Contienen artefactos cristalinos, átomos no resueltos, colisiones estéricas y asignaciones de enlaces incorrectas, lo que introduce ruido sistemático en el entrenamiento de modelos profundos.
• Dependencia de afinidades de unión: Muchos benchmarks se basan en constantes de unión experimentales, las cuales están disponibles solo para un subconjunto de estructuras y presentan sesgos metodológicos (condiciones de ensayo heterogéneas). Además, excluyen miles de estructuras bien resueltas que carecen de datos de afinidad.

2. Metodología

CROWN es un conjunto de datos listo para aprendizaje automático, construido mediante un pipeline de preprocesamiento totalmente automatizado aplicado a la base de datos PLInder. El proceso parte de 649.915 sistemas de interacción proteína-ligando y aplica cinco filtros de calidad intercalados con dos etapas de procesamiento estructural:

Filtros de Calidad:

1. Calidad Estructural: Se seleccionan solo estructuras de rayos X con resolución $\le$ 3.0 Å. Se exige un ajuste de densidad electrónica robusto (Valor R en espacio real - RSR < 0.3 y Coeficiente de Correlación en espacio real - RSCC > 0.8) y la ausencia de átomos pesados no resueltos en el ligando.
2. Calidad del Ligando: Se eliminan artefactos de cristalización, iones, ligandos covalentes y compuestos con elementos raros (B, Se, Si) o coordinación metálica (excepto cofactores específicos como HEM, MGD, SF4) que no son compatibles con el campo de fuerzas OpenFF 2.2.0.
3. Calidad de la Bolsa (Pocket): Se descartan complejos con átomos de proteína faltantes dentro de un radio de 6 Å del ligando o residuos no estándar en la zona de unión.
4. Calidad de la Interacción: Se filtran ligandos con menos de 10 o más de 100 átomos pesados y se exige que formen más de 10 contactos cercanos (< 4 Å) con la proteína. Se eliminan entradas redundantes basándose en la superposición rígida de la geometría de unión.
5. Estabilidad del Complejo: Tras la minimización de energía, se retienen solo aquellos sistemas donde la desviación cuadrática media (RMSD) es < 0.6 Å para el ligando/bolsa y < 0.2 Å para el andamio proteico.

Etapas de Procesamiento Estructural:

• Corrección Estructural (Procesamiento 1): Se eliminan artefactos, se seleccionan conformeros de mayor ocupación, se reconstruyen átomos/residuos faltantes, se reparan enlaces covalentes rotos y se resuelven colisiones estéricas. Los residuos no estándar fuera de la bolsa se sustituyen por sus equivalentes estándar.
• Minimización de Energía Constrained (Procesamiento 2): Esta es la innovación clave. Se asignan estados de protonación a pH 7.4 y se realiza una minimización de energía utilizando OpenMM.
  • Se utilizan restricciones de fondo plano (flat-bottomed restraints) personalizadas para los átomos pesados dentro de la bolsa de unión. Esto permite que los átomos se muevan libremente dentro de la incertidumbre cristalográfica (0.25 Å) sin penalización energética, relajando tensiones estéricas y de enlace, pero manteniendo la fidelidad a la geometría experimental.
  • Los átomos fuera de la bolsa están sujetos a restricciones armónicas rígidas para preservar la estructura global.
  • Los átomos de hidrógeno no tienen restricciones, permitiendo la optimización de la red de puentes de hidrógeno.

3. Contribuciones Clave

• Equilibrio entre Escala y Calidad: CROWN reconcilia la tensión entre la calidad y la cantidad, ofreciendo 153.005 complejos que son cuatro veces más diversos en proteínas y especies que PDBBind o HiQBind, manteniendo estándares estructurales rigurosos.
• Minimización de Energía Constrained: Es el primer conjunto de datos de interacciones proteína-ligando que incluye sistemáticamente un paso de minimización de energía con restricciones de fondo plano. Esto unifica las prácticas de refinamiento heterogéneas de diferentes cristalógrafos sin distorsionar la geometría de unión observada experimentalmente.
• Filosofía Centrada en la Geometría: A diferencia de otros conjuntos, CROWN no depende de etiquetas de afinidad de unión. Trata la disposición 3D de los átomos en la interfaz como una fuente de información autoconsistente, lo que permite incluir miles de estructuras bien resueltas sin datos de afinidad.
• Annotación Completa: Elimina completamente los "puntos ciegos" en la anotación de calidad; cada entrada tiene valores RSR y RSCC verificados y cero errores estructurales (sin átomos no resueltos, sin colisiones, sin enlaces faltantes).
• Pipeline Automatizado y Reproducible: El código fuente está disponible bajo licencia MIT, permitiendo la regeneración automática del conjunto de datos a medida que se actualiza PLInder o el PDB.

4. Resultados

• Diversidad: El conjunto final contiene 153.005 complejos únicos, 55.208 identificadores PDB, 12.352 accesiones UniProt y 3.209 especies. Cubre 26.746 identificadores CCD únicos y 13.523 andamios Murcko, duplicando la cobertura química de las bases de datos curadas existentes.
• Distribución de Propiedades: A diferencia de PDBBind (sesgado hacia ligandos pequeños), CROWN mantiene una distribución más amplia de peso molecular y complejidad, incluyendo ligandos relevantes en la descubrimiento de fármacos modernos (PROTACs, macrociclos), mientras elimina iones y fragmentos pequeños.
• Calidad Estructural: Tras la minimización, la mayoría de los ajustes atómicos en la bolsa de unión se mantienen dentro de la incertidumbre cristalográfica (RMSD mediano ~0.22-0.27 Å), mientras que los hidrógenos muestran una optimización libre significativa (RMSD mediano ~0.52 Å), mejorando la red de puentes de hidrógeno sin alterar la geometría de los átomos pesados.
• Comparativa: CROWN supera a BioLiP2 en diversidad química (aunque BioLiP2 tiene ligeramente más especies) al excluir entidades no farmacológicas que inflan los conteos sin aportar valor químico relevante.

5. Significado y Limitaciones

Significado:
CROWN se posiciona como un recurso fundamental para la biología estructural, la quimioinformática y el aprendizaje automático. Su diseño lo hace ideal para:

• Entrenar modelos generativos de poses de unión proteína-ligando.
• Desarrollar funciones de puntuación basadas en conocimiento.
• Evaluar métodos de predicción de interacciones.
• Superar los sesgos de los conjuntos de datos actuales centrados en afinidad.

Limitaciones:

• Cobertura del Campo de Fuerzas: El uso de OpenFF 2.2.0 limita la parametrización de enlaces de coordinación metálica (salvo HEM, MGD, SF4) y elementos raros (B, Se, Si).
• Residuos No Estándar: Los residuos modificados post-traduccionalmente dentro de la bolsa de unión se eliminan porque no tienen parámetros en ff19SB, lo que podría comprometer la fidelidad de interacciones específicas.
• Fuentes de Datos: Actualmente se basa en estructuras de rayos X. La expansión a cryo-EM o RMN requeriría el desarrollo de métricas de calidad análogas.

En conclusión, CROWN representa un avance significativo al proporcionar un conjunto de datos masivo, estructuralmente uniforme y de alta calidad, listo para alimentar la próxima generación de modelos de reconocimiento molecular basados en la estructura.