Resumen Técnico: ReliaMol-3D

Planteamiento del Problema

Los generadores moleculares tridimensionales (3D) condicionados por el bolsillo pueden producir numerosos candidatos a ligandos para un receptor específico. Sin embargo, persiste un cuello de botella crítico en la fase de triaje post-generación: determinar qué candidatos de un conjunto generado son lo suficientemente utilizables dentro del marco de coordenadas del receptor previsto para justificar procesos costosos posteriores, como el refinamiento por docking, la planificación de síntesis o la inspección experta.

Las señales de evaluación existentes son insuficientes para esta decisión específica:

• Métricas de solo ligando (p. ej., QED, Accesibilidad Sintética) capturan la deseabilidad química pero ignoran la colocación en el receptor.
• Puntuaciones de docking (p. ej., Vina, GNINA) proporcionan estimaciones similares a la afinidad, pero pueden coexistir con geometrías tensionadas, choques o inconsistencias de coordenadas.
• Verificaciones de validez física (p. ej., PoseBusters) verifican la plausibilidad interna, pero no clasifican los candidatos supervivientes ni tienen en cuenta el contexto específico del receptor.

El desafío central es clasificar un conjunto fijo de candidatos 3D generados por usabilidad de marco de receptor computacional sin confundir la selección con la predicción de afinidad o integrar oráculos externos (como puntuaciones de docking) como entradas ocultas.

Metodología: ReliaMol-3D

ReliaMol-3D es un flujo de trabajo de reclasificación post-generación, auditable y agnóstico al generador, diseñado para priorizar candidatos basados en evidencia libre de puntuaciones (score-free). El flujo de trabajo separa las funciones de generación, selección y validación.

1. Gobernanza y Auditoría de Coordenadas

El flujo de trabajo comienza con una estricta auditoría de procedencia de coordenadas del receptor. Los candidatos se evalúan en el marco de coordenadas exacto del receptor (específicamente, las coordenadas exactas del receptor pesado de CrossDocked) en lugar de estructuras públicas aproximadas. Esto evita que los errores de procedencia de coordenadas se identifiquen erróneamente como fallos del generador.

2. Extracción de Características Libre de Puntuaciones

El modelo principal utiliza un vector de 41 características derivadas de tres familias químicamente interpretables, excluyendo explícitamente las puntuaciones de docking, la identidad del generador, los indicadores directos de fallo y los resultados de PoseBusters:

• Química del Ligando: Peso molecular, logP, TPSA, QED, enlaces rotables, recuentos de anillos, recuentos de heteroátomos, carga formal, recuentos de elementos raros y fracciones de tipo de átomo.
• Geometría 3D Interna: Recuentos de átomos de la pose, radio de la pose y cuantiles de distancia de vecino más cercano (5%–90%).
• Contexto Ligando–Bolsillo: Cuantiles de distancia mínima ligando-bolsillo y fracciones de ocupación de la capa (0–2Å, 2–4Å, etc.) en relación con el bolsillo del receptor.

3. Definición del Punto Final de Fiabilidad

La variable objetivo es una etiqueta binaria de fiabilidad de receptor-computacional ($y_i$). Un candidato se considera fiable solo si supera simultáneamente cinco indicadores de fallo preespecificados:

1. Validez química ($z_{chem}$)
2. Plausibilidad de la geometría interna ($z_{geom}$)
3. Presencia de contacto con el bolsillo ($z_{pocket}$)
4. Ausencia de choque con el receptor ($z_{clash}$)
5. Límites de complejidad sintética ($z_{syn}$)

Esta etiqueta es distinta de la afinidad de unión o la actividad biológica; sirve como un punto final auditable para la "usabilidad en el marco del receptor".

4. Modelos de Reclasificación

• Modelo Primario (RF-ReliaMol): Un clasificador de Bosque Aleatorio (Random Forest) entrenado para predecir la probabilidad de superar los criterios de fiabilidad. Es transparente, reproducible y diseñado para el triaje post-generación.
• Variantes: HGB-ReliaMol (Gradient Boosting de Histograma) para la confirmación del rendimiento; MLP-ReliaMol y RCEF (Fusión de Evidencia Calibrada por Fiabilidad) como modelos diagnósticos para probar la sensibilidad y calibración de los grupos de características.
• Herramientas Externas: Las puntuaciones de docking (Vina/GNINA) y PoseBusters (PB) se tratan como líneas base de comparación separadas o puertas de elegibilidad estricta opcionales, no como entradas del reclasificador primario.

5. Protocolo de Selección

Los candidatos se clasifican dentro de cada bolsillo basándose en la probabilidad de fiabilidad predicha ($\hat{p}_i$). Se selecciona una lista corta de presupuesto fijo (p. ej., el top 10%). Se puede aplicar una política opcional de puerta estricta de PB, donde solo los candidatos que pasan PB son reclasificados, sin rellenos si el conjunto es insuficiente.

Resultados Clave

Benchmark Principal (DiffSBDD)

Evaluado en 10,000 candidatos de 100 bolsillos exactos de CrossDocked:

• Fiabilidad: Con una cobertura del 10%, RF-ReliaMol logra una fiabilidad del top-10% de 0.9990 (desviación estándar cero entre semillas), frente al 0.9660 de la línea base QED/SA. HGB-ReliaMol alcanza 0.9993.
• Ablación: La ganancia es impulsada principalmente por la geometría 3D interna y el contexto ligando-bolsillo. Los descriptores del ligando por sí solos mejoran la fiabilidad a 0.9727, pero añadir la geometría del bolsillo la eleva a 0.9990.
• Robustez: El modelo mantiene una alta fiabilidad (0.9959–0.9988) en niveles de cobertura del 20% y 50% y permanece estable bajo perturbaciones de coordenadas (0.25 Å) y evidencia ruidosa.

Pruebas de Estrés y Transferencia

• Cambio de Generador: En un conjunto de prueba de un generador CVAE (conocido por altas tasas de fallo), RF-ReliaMol mejora la fiabilidad de 0.7868 (Vina-minimize) a 0.9800.
• Exclusión de Generador: En evaluaciones entre generadores, RF-ReliaMol logra una fiabilidad de 0.9950, demostrando la transferibilidad entre familias de generadores (TargetDiff, Pocket2Mol, AR).
• Fallo Controlado (DUD-E): En una prueba de estrés DUD-E con fallos inyectados, MLP-ReliaMol logra un ROC-AUC de 0.9981, superando significativamente a Vina (0.5966).

Utilidad Química y Diversidad

ReliaMol mejora la fiabilidad sin colapsar la diversidad química:

• Diversidad de Andamiaje (Scaffold): RF-ReliaMol retiene 9.88 andamios de Murcko únicos por bolsillo (frente a 9.90 para QED/SA).
• Química Médica: Los candidatos seleccionados mantienen altos índices de paso de Lipinski/Veber y bajos índices de alertas PAINS.
• Puerta PB: Cuando se combina con una puerta estricta de PoseBusters, el conjunto seleccionado alcanza una fiabilidad de 1.0000 y una tasa de paso de PB de 1.0000.

Significado y Reivindicaciones

El artículo posiciona a ReliaMol-3D no como un nuevo generador molecular o predictor de afinidad, sino como una capa de triaje con enfoque en la reproducibilidad y separación de roles para el diseño de fármacos basado en estructura (SBDD).

1. Triaje Auditable: Define un punto final de "fiabilidad de marco de receptor" específico, distinto de la afinidad, permitiendo una clara separación entre la selección de candidatos y la validación posterior.
2. Evidencia Libre de Puntuaciones: Al excluir las puntuaciones de docking y la identidad del generador de los modelos primarios, evita el razonamiento circular y asegura que la selección se base en evidencia química y geométrica interpretable.
3. Agnóstico al Generador: El flujo de trabajo es efectivo en diversas familias de generadores, incluyendo aquellos con mayores tasas de fallo (p. ej., CVAE), lo que lo convierte en un filtro robusto para conjuntos generados heterogéneos.
4. Flujo de Trabajo Práctico: Proporciona un protocolo concreto para priorizar candidatos antes de realizar un re-escoreo costoso o la síntesis, cerrando la brecha entre la generación de alto rendimiento y la inspección experta.

Los autores concluyen que, si bien los generadores modernos producen candidatos plausibles, el cuello de botella posterior de seleccionar el subconjunto utilizable se aborda mejor mediante una capa de reclasificación dedicada, auditable y que modele explícitamente la usabilidad en el marco del receptor mediante características interpretables químicamente y libres de puntuaciones.