💻 bioinformatics

Chemi-Proteome Language Attention Network Empowers Fragment-Based Ligand Interactome and Binding Sites Discovery with Evidence

El artículo presenta C-PLANK, un marco de aprendizaje profundo entrenado con datos de quimioproteómica celular que supera a los modelos existentes en la predicción de interacciones fragmento-proteína e identificó con éxito un nuevo agonista de SIRT3 mediante la integración de incrustaciones fisicoquímicas con una métrica de plausibilidad biológica a nivel de sistemas.

Autores originales: Liao, B., He, J., zhao, M., Cui, X., Cui, Y., Dong, C., Sun, H., Zhang, L., Zhang, J.

Publicado 2026-08-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Liao, B., He, J., zhao, M., Cui, X., Cui, Y., Dong, C., Sun, H., Zhang, L., Zhang, J.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Encontrar un nuevo medicamento a menudo se siente como buscar una llave que encaje en una cerradura específica, pero la búsqueda ocurre en una habitación abarrotada de miles de otras llaves y cerraduras. Los científicos han dependido durante mucho tiempo de programas informáticos para predecir qué llaves químicas podrían encajar en las cerraduras de las proteínas, con la esperanza de acelerar el descubrimiento de tratamientos para enfermedades. Estos programas suelen entrenarse con datos de pruebas de laboratorio sencillas, donde los productos químicos interactúan con proteínas aisladas en un tubo de ensayo. Si bien estos datos son útiles, pasan por alto un detalle crucial: en el cuerpo humano, las proteínas no existen de forma aislada. Forman parte de una red viva y compleja donde interactúan con muchas otras moléculas, y su comportamiento cambia dependiendo del entorno celular. Debido a que los modelos informáticos actuales están desconectados de este contexto vivo, a menudo tienen dificultades para predecir cómo se comportará realmente un fármaco dentro de una célula, lo que provoca fallos más adelante en el proceso de desarrollo.

Para cerrar esta brecha, un equipo de investigadores ha desarrollado un nuevo marco de inteligencia artificial llamado C-PLANK. A diferencia de los modelos anteriores que aprenden de experimentos estáticos y aislados, este sistema se entrena directamente con datos generados a partir de células vivas. Los investigadores utilizaron una técnica llamada quimioproteómica, que consiste en introducir diminutos fragmentos químicos en las células para ver a qué proteínas se adhieren. Estos fragmentos son piezas pequeñas y simples de moléculas que pueden unirse a las proteínas, pero debido a que la unión es a menudo débil y fugaz, capturar estas interacciones requiere un enfoque especial. El equipo utilizó sondas que podían marcar permanentemente las proteínas que tocaban, lo que permitió a los científicos mapear exactamente dónde y cómo estas pequeñas moléculas interactuaron con la vasta red de proteínas dentro de la célula. Al alimentar esta rica información a nivel celular en su IA, los investigadores crearon un modelo que entiende no solo si un producto químico y una proteína podrían interactuar, sino cómo esa interacción encaja en el panorama general de la célula.

El núcleo de este nuevo sistema es su capacidad para observar tanto el panorama general como los detalles minuciosos simultáneamente. Analiza el entorno general de la célula mientras también hace un acercamiento para ver exactamente qué partes de una proteína y qué átomos de un producto químico se están tocando. Esta perspectiva dual permite al modelo generar una especie de huella digital para cada interacción, mostrando no solo si una conexión es probable, sino también qué tan seguro está el sistema de esa predicción. Los investigadores probaron este marco frente a una gran colección de datos de ocho estudios diferentes, que involucraban cientos de productos químicos y miles de proteínas. Encontraron que C-PLANK superó consistentemente a los modelos actuales de vanguardia, especialmente cuando se le pedía predecir interacciones para proteínas que no había visto antes. Esta capacidad de generalizar a nuevos objetivos es crítica para el descubrimiento de fármacos, donde el objetivo suele ser encontrar tratamientos para proteínas que aún no se comprenden bien.

Más allá de simplemente predecir interacciones, el sistema proporciona un nivel de transparencia que es poco común en la inteligencia artificial. Puede señalar exactamente qué partes de una estructura química y qué aminoácidos específicos de una proteína son responsables de la unión. Los investigadores verificaron esto comparando las predicciones del modelo con las estructuras físicas de las proteínas y los sitios de unión conocidos, encontrando una fuerte coincidencia entre la "huella digital" de la IA y la realidad biológica real. Esto sugiere que el modelo está aprendiendo reglas biológicas genuinas en lugar de simplemente memorizar patrones en los datos. Para demostrar su valor práctico, el equipo utilizó C-PLANK para cribar una gran biblioteca de fragmentos químicos para encontrar una nueva forma de activar una proteína específica llamada SIRT3, que desempeña un papel en el metabolismo y el envejecimiento. El modelo identificó un candidato prometedor que había sido pasado por alto por otros métodos.

Tras esta predicción, los investigadores sintetizaron el compuesto y lo probaron en el laboratorio. El compuesto se unió con éxito a la proteína objetivo dentro de células vivas y, lo que es más importante, aumentó la actividad de la proteína, actuando como un agonista. Este hallazgo inicial fue luego refinado mediante un proceso de optimización química, lo que condujo a una versión más potente del candidato a fármaco. La molécula final mostró una fuerte actividad en concentraciones bajas y se confirmó que se une directamente a la proteína objetivo mediante métodos biofísicos. Esta historia de éxito demuestra que, al entrenar la inteligencia artificial con datos que reflejan la verdadera complejidad de las células vivas, los científicos pueden ir más allá de las simples predicciones y comenzar a modelar el estado dinámico de los sistemas biológicos. El trabajo establece una base para futuras herramientas que podrían actuar como gemelos digitales de la biología humana, ayudando a los investigadores a navegar el complejo viaje desde una idea química hasta un medicamento funcional con mayor confianza y precisión.

Resumen Técnico: Red de Atención de Lenguaje de Quimioproteoma (C-PLANK)

Planteamiento del Problema

Los modelos actuales de aprendizaje profundo para el descubrimiento de fármacos se entrenan predominantemente en conjuntos de datos de afinidad in vitro (por ejemplo, BindingDB, Davis, BioSNAP). Aunque son efectivos para predecir eventos de unión por pares bajo condiciones bioquímicas controladas, estos modelos no logran capturar la complejidad de los entornos celulares nativos. Carecen de la capacidad de reflejar contextos celulares dinámicos, incluyendo complejos proteicos, regulación postraduccional y actividad de señalización. Además, muchos conjuntos de datos existentes carecen de interacciones negativas verificadas experimentalmente, recurriendo a menudo a negativos generados computacionalmente que pueden introducir sesgos. En consecuencia, los sistemas de IA modernos permanecen desconectados de los sistemas biológicos que pretenden modelar, luchando por predecir cómo los compuestos interactúan con el proteoma dentro de un contexto celular vivo.

El descubrimiento de ligandos basado en fragmentos (FBLD) ofrece una vía hacia el modelado consciente del sistema mediante el uso de fragmentos químicamente simples para sondear el proteoma celular. Sin embargo, las interacciones fragmento-proteína son típicamente débiles y transitorias, lo que las hace difíciles de detectar con ensayos tradicionales. Si bien la quimioproteómica de fragmentos totalmente funcionalizados (FFF) permite la captura covalente de estas interacciones transitorias en células vivas, los datos resultantes son costosos y demandan muchos recursos para su generación. Existe una necesidad crítica de modelos computacionales capaces de aprender directamente de las perturbaciones quimioproteómicas celulares para acelerar el descubrimiento y reducir las cargas experimentales.

Metodología: Arquitectura C-PLANK

Los autores presentan C-PLANK (Red de Atención de Lenguaje de Quimioproteoma), un marco de aprendizaje profundo diseñado para predecir e interpretar las interacciones fragmento-proteína directamente a partir de datos quimioproteómicos celulares. A diferencia de los modelos convencionales de Interacción Droga-Objetivo (DTI), C-PLANK aprende de paisajes de interacción a nivel de proteoma generados por sondas FFF en células vivas.

El marco consta de tres componentes principales:

Codificadores de Doble Canal:
- Codificador de Proteínas: Utiliza el modelo de lenguaje de proteínas ESM-2 para capturar el contexto evolutivo, aumentado con descriptores fisicoquímicos curados (peso molecular, polaridad, hidropatía, pKa, topología). Estos son procesados a través de Redes Neuronales Convolucionales 1D (1D-CNNs) apiladas para extraer tanto representaciones contextuales globales (vía max-pooling) como matrices de características de resolución posicional para el análisis a nivel de residuo.
- Codificador de Ligandos: Codifica cadenas SMILES de ligandos a nivel de átomo utilizando una matriz de incrustación (embedding) aprendible para átomos centrales (C, N, O, F, P, S, Cl, Br, I) y características fisicoquímicas específicas (LogP, cargas, TPSA, hibridación). Estos también son procesados por 1D-CNNs para extraer patrones intramoleculares.
Decodificador de Red de Atención Bilineal (BAN):
- En lugar de la atención cruzada estándar, C-PLANK emplea una Red de Atención Bilineal para modelar las relaciones por pares entre los residuos de la proteína y los átomos del ligando.
- La BAN genera un mapa de atención de interacción que destaca los "hotspots" de residuo-átomo y un vector de interacción local agrupado (pooled). Esto permite al modelo capturar evidencia de interacción localizada y de grano fino (crucial para las interacciones de fragmentos débiles y transitorias) mientras lo integra con el contexto global del sistema.
Capa Evidencial e Índice de Estado de Interacción Celular (CISI):
- Aprendizaje Profundo Evidencial (EDL): El modelo produce un parámetro de evidencia ( $\alpha$ ) para aprender conjuntamente la propensión de la interacción, la incertidumbre y la credibilidad biológica.
- CISI: Una métrica novedosa de nivel de sistema definida por el enriquecimiento de una interacción específica fragmento-proteína relativo a la promiscuidad global del ligando y la proteína en todo el conjunto de datos quimioproteómicos. El CISI contextualiza las predicciones frente al paisaje de interacción celular observado, estratificando las interacciones en grupos de alta, media y baja confianza basados en el conocimiento previo.
- Función de Pérdida: La función objetivo combina la pérdida de clasificación estándar con un término de "pérdida de conocimiento" que restringe las estimaciones de incertidumbre basadas en los grupos CISI, asegurando que las interacciones fuertemente respaldadas por el paisaje celular reciban una menor incertidumbre.

Contribuciones Clave

Modelado de Contexto Celular: C-PLANK es el primer marco que entrena directamente sobre conjuntos de datos quimioproteómicos celulares (sondas FFF) en lugar de datos de afinidad in vitro, permitiendo el modelado de interacciones dentro del interactoma celular nativo.
Huellas de Interacción Interpretables: Al aprovechar la arquitectura BAN, el modelo genera puntuaciones de atención a nivel de átomo y residuo que identifican los determinantes moleculares de los estados de interacción, proporcionando información mecánica sin requerir entradas estructurales 3D explícitas.
Inferencia Consciente de la Incertidumbre: La integración de EDL y CISI permite cuantificar la confianza de la predicción basándose tanto en los resultados del modelo como en el paisaje de interacción celular global, distinguiendo las predicciones fiables de los artefactos.
Generalización a Objetivos No Vistos: El marco demuestra un rendimiento robusto en configuraciones de "proteína fría" (cold-protein), infiriendo con éxito los estados de interacción para proteínas que no estaban presentes en el conjunto de entrenamiento.

Resultados

Los autores evaluaron C-PLANK en un conjunto de datos curado de 431 interactomas de ligandos derivados de ocho estudios quimioproteómicos independientes, que comprenden 90,494 interacciones entre 407 ligandos y 2,629 proteínas.

Rendimiento de Referencia (Benchmark): Bajo divisiones aleatorias y de "proteína fría" estrictas, C-PLANK superó consistentemente a siete modelos de referencia de última generación (incluyendo HyperAttentionDTI, TransformerCPI, MolTrans, DrugBAN y GraphBAN). En la configuración de proteína fría, C-PLANK alcanzó un AUROC de 0.8106, superando al siguiente mejor modelo por aproximadamente un 1–2%.
Estudios de Ablación: Eliminar las representaciones contextuales globales o las características de interacción derivadas de la BAN redujo significamente el rendimiento, confirmando la necesidad de modelar tanto el contexto del sistema como las interacciones de grano fino residuo-átomo. Reemplazar la BAN con atención cruzada tipo Transformer también redujo el rendimiento, resaltando la superioridad de la atención bilineal para las interacciones de fragmentos dispersos.
Validación de Interpretabilidad:
- Lógica Química: Las puntuaciones de atención priorizaron correctamente las fracciones variables de los fragmentos y los grupos de diazirina fotoreactivos sobre los manejadores de enriquecimiento (alquino), reflejando la química de la sonda FFF.
- Alineación Estructural: Los residuos con alta atención mostraron una superposición sustancial con los sitios de unión determinados experimentalmente (datos de Dizco) y los bolsillos druggables predichos (Fpocket), con la mayoría ubicada dentro de 10 Å de los sitios etiquetados.
- Estudio de Caso (RAB14): Para la interacción FFF004-RAB14, C-PLANK identificó correctamente residuos clave (K24, I44, G21, F36) consistentes con las estructuras de co-cristal y las poses de docking.
Descubrimiento Prospectivo (Agonista de SIRT3):
- Se utilizó C-PLANK para cribar una gran biblioteca de fragmentos en busca de moduladores de SIRT3. Identificó SH00, un uníente (binder) previamente no reconocido.
- La validación experimental confirmó que SH00 se une a SIRT3 y actúa como un agonista (activación de 1.3 veces).
- A través de la optimización estructural iterativa guiada por los conocimientos del modelo, el equipo desarrolló SH10, un agonista de SIRT3 potente con una EC50 de 9.23 μM y una Kd de 10.9 μM. SH10 demostró una actividad de desacetilación mejorada en ensayos celulares, validando la utilidad del modelo para guiar la optimización de líderes.

Significado y Reivindicaciones

El artículo plantea que C-PLANK representa un cambio de la predicción aislada de afinidad de unión hacia el modelado del estado de interacción celular. Al aprender directamente de la quimioproteómica celular, el marco captura la plausibilidad biológica de las interacciones dentro del contexto de todo el proteoma.

Los autores afirman que C-PLANK establece una base computacional para futuros marcos de gemelos digitales en el descubrimiento de fármacos. A diferencia de los modelos actuales que predicen afinidades de unión estáticas, C-PLANK razona sobre los sistemas biológicos dinámicos en los que ocurren las interacciones. La identificación exitosa y la optimización de un agonista de SIRT3 (SH10) sirve como prueba de concepto de que el aprendizaje de los paisajes de interacción celular puede traducirse en el descubrimiento de moduladores biológicamente activos, cerrando la brecha entre la predicción computacional y la respuesta celular funcional.

Los autores reconocen las limitaciones, señalando que los datos de entrenamiento actuales se limitan a 407 ligandos y dependen de secuencias 1D debido a la escasez de estructuras de alta resolución. Sugieren que el trabajo futuro podría integrar datos estructurales 3D (por ejemplo, de AlphaFold) y extender el modelo para manejar complejos proteicos, pero mantienen que su marco actual ya proporciona un enfoque robusto, interpretable y generalizable para el descubrimiento de fragmentos en contextos celulares.