Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

Il paper presenta Felis, un toolkit open-source e automatizzato per il calcolo dell'energia libera di legame assoluta (ABFE) ad alta produttività, che dimostra prestazioni di ranking comparabili ai metodi RBFE all'avanguardia su dataset su larga scala, inclusi target complessi come KRAS(G12D), operando in modalità zero-shot senza necessità di modifiche personalizzate.

L'essenziale

Immagina di dover trovare l'ingrediente segreto perfetto per una ricetta complessa, come un farmaco che deve bloccare un virus o una proteina cattiva nel corpo. Per farlo, i chimici devono capire esattamente quanto "strettamente" una molecola (il farmaco) si aggrappa a un'altra (la proteina bersaglio).

Fino a poco tempo fa, c'erano due modi principali per fare questa previsione al computer:

1. Il metodo "Confronto" (RBFE): Come dire: "Il farmaco A si attacca un po' meglio del farmaco B". Funziona bene se i due farmaci sono quasi identici, come due gemelli. Ma se vuoi confrontare due farmaci completamente diversi (uno rotondo, uno quadrato), questo metodo si blocca.
2. Il metodo "Assoluto" (ABFE): Questo è il "Santo Graal". Calcola da zero quanto si attacca ogni singolo farmaco, indipendentemente da quanto è diverso dagli altri. È come misurare il peso di ogni oggetto su una bilancia, invece di confrontarli tra loro. Il problema? È costosissimo in termini di tempo di calcolo e spesso i computer si perdono nel mezzo, dando risultati imprecisi.

L'Innovazione: Felis, il "Cucina-Tutto" Automatico

In questo articolo, il team di ByteDance Seed presenta Felis. Immagina Felis non come un semplice calcolatore, ma come un robot chef super-automatizzato che entra in cucina, prende gli ingredienti, li mescola, li cuoce e ti dice esattamente quanto sono buoni, senza che tu debba toccare nulla.

Ecco i punti chiave spiegati con metafore semplici:

1. La Sfida: Il "Laboratorio" Costoso

Fino ad oggi, usare il metodo "Assoluto" (ABFE) per testare migliaia di farmaci era come cercare di trovare un ago in un pagliaio usando un microscopio: preciso, ma lentissimo e costoso. Inoltre, mancavano grandi "esami di prova" (benchmark) per vedere se funzionava davvero su larga scala.

2. La Soluzione: Felis + ByteFF

I ricercatori hanno creato Felis, un toolkit open-source che automatizza tutto il processo.

• L'Automazione: Felis prepara il sistema, decide come misurare le forze e esegue le simulazioni senza bisogno che un umano intervenga per correggere ogni dettaglio.
• Il Motore (ByteFF): Felis usa un motore speciale chiamato ByteFF. Immagina ByteFF come un set di regole fisiche ultra-preciso, addestrato su milioni di dati chimici, che dice al computer esattamente come si comportano gli atomi. È come avere una mappa del territorio perfetta invece di un disegno approssimativo.

3. La Grande Prova: 43 Sfide e 859 Farmaci

Per dimostrare che Felis funziona davvero, i ricercatori lo hanno messo alla prova su un "campo di battaglia" enorme:

• Hanno testato 43 proteine diverse (come 43 diversi tipi di serrature).
• Hanno provato 859 farmaci diversi (come 859 chiavi diverse).
• Il risultato: Felis è riuscito a classificare i farmaci (diciamo: "questo è il migliore, questo il peggiore") con una precisione uguale ai metodi più avanzati esistenti, che però richiedevano molto più tempo e risorse.

4. Il Test Estremo: Il "Mostro" KRAS

Per essere sicuri che il robot non si spaventi, hanno lanciato una sfida difficile: il KRAS(G12D).
Immagina questa proteina come una stanza con un pavimento scivoloso, piena di calamite elettriche (cariche positive e negative) e con un buco molto piccolo e profondo. È un incubo per i computer.

• Felis ha affrontato questo scenario "estremo" con farmaci molto carichi elettricamente.
• Anche qui, ha funzionato bene, dimostrando di essere robusto anche nelle situazioni più caotiche.

5. Il Trucco: "Zero-Shot" (Nessun Trucco)

La cosa più impressionante è che Felis non ha "barato".
Spesso, quando si testa un software, gli scienziati lo "aggiustano" (tuning) proprio per quel test specifico, come se un allenatore di calcio dicesse al portiere: "Oggi il tiro arriverà da sinistra, preparati".
Felis, invece, è stato un principiante assoluto ("zero-shot"): è arrivato al test senza aver mai visto quei farmaci prima, senza cambiare le sue regole interne e senza adattare i parametri. Ha semplicemente applicato la sua logica generale e ha vinto.

In Sintesi

Questa ricerca ci dice che abbiamo finalmente un modo veloce, automatico e affidabile per testare migliaia di farmaci potenziali contro bersagli complessi, senza dover costruire un nuovo laboratorio per ogni caso.

Felis è come aver scoperto un nuovo tipo di motore per le auto che consuma meno carburante (tempo di calcolo), è guidabile da chiunque (automatizzato) e funziona anche sulle strade sterrate più difficili (proteine complesse), rendendo la scoperta di nuovi farmaci più veloce ed economica per tutti.

Sommario tecnico

Titolo: Sviluppo e benchmark su larga scala di un toolkit per l'energia libera di legame assoluta proteina-ligando (ABFE)

Autori: Yu Liu, Ailun Wang, Yu Xia, Zhi Wang, Wen Yan (ByteDance Seed)

---

1. Il Problema

La previsione accurata delle energie libere di legame proteina-ligando è fondamentale per la scoperta di farmaci assistita da computer (CADD). Sebbene i metodi basati sulla fisica, come la perturbazione dell'energia libera (FEP), siano considerati lo standard aureo, la loro adozione su larga scala è limitata da diverse sfide:

• Vincoli del RBFE: I metodi di energia libera di legame relativa (RBFE) richiedono che i ligandi condividano uno scaffold chimico comune per garantire un sovrapposizione adeguata dello spazio delle fasi. Questo limita la loro utilità nelle fasi iniziali di scoperta (hit discovery) dove si esplorano scaffold diversi (scaffold hopping).
• Costi e Validazione dell'ABFE: L'energia libera di legame assoluta (ABFE) supera il vincolo dello scaffold, valutando ogni ligando indipendentemente. Tuttavia, il suo utilizzo routinario è ostacolato da costi computazionali elevati, dalla necessità di protocolli complessi (definizione di restrizioni, schedule alchemici) e, soprattutto, dalla mancanza di validazioni su larga scala.
• Mancanza di Benchmark: La maggior parte degli studi di validazione ABFE pubblicati copre un numero molto ridotto di target proteici rispetto ai benchmark RBFE, rendendo difficile valutare l'affidabilità di questi strumenti in contesti produttivi reali.

2. Metodologia

Gli autori hanno sviluppato Felis (Free Energy of Ligand-protein InteractionS), un toolkit open-source, automatizzato e scalabile per il calcolo ABFE ad alto rendimento.

• Protocollo di Calcolo: Felis utilizza il protocollo standard di "doppio annichilamento" (double-decoupling). Il ligando viene disaccoppiato alchemicamente sia dall'ambiente acquoso che dal sito di legame proteico.
  • Restrizioni: Vengono applicate restrizioni geometriche di tipo Boresch (distanze, angoli e diedri) tra atomi di ancoraggio della proteina e del ligando per mantenere il ligando nel sito di legame durante la fase disaccoppiata.
  • Trasformazione Alchemica: Le cariche parziali del ligando vengono scalate linearmente a zero, mentre i termini sterici e legati rimangono accoppiati. Le interazioni di van der Waals (vdW) utilizzano un potenziale "softcore" (Beutler) per evitare singolarità.
  • Neutralità Elettrica: Per gestire ligandi carichi, vengono introdotte "acque alchemiche" specifiche per compensare le cariche frazionarie durante la trasformazione.
• Forza di Campo: I calcoli sono stati eseguiti utilizzando il force field AMBER ff14SB per le proteine e ByteFF25 (un force field meccanico molecolare basato sui dati) per ligandi e cofattori. ByteFF25 mantiene parametri non legati (cariche vdW) simili a GAFF2, ma con parametri legati addestrati su un set di dati di chimica quantistica più esteso.
• Simulazione e Hardware:
  • Le simulazioni MD sono eseguite con OpenMM.
  • Architettura Scalabile: Il percorso alchemico è suddiviso in segmenti sovrapposti assegnati a singole GPU, eliminando la comunicazione inter-GPU e permettendo l'esecuzione elastica su cloud.
  • Analisi: L'energia libera viene stimata utilizzando l'approccio MBAR (Multistate Bennett Acceptance Ratio).
• Approccio "Zero-Shot": Un aspetto cruciale dello studio è che tutti i risultati sono stati generati senza alcun adattamento (fine-tuning) dei parametri del force field o delle schedule alchemiche sui sistemi di benchmark specifici.

3. Contributi Chiave

1. Toolkit Felis: Introduzione di una soluzione automatizzata e open-source per l'ABFE che riduce l'intervento manuale e facilita l'integrazione nei flussi di lavoro di drug discovery.
2. Benchmark su Larga Scala: Esecuzione di calcoli ABFE su un dataset composto da 43 target proteici e 859 ligandi unici, un volume di dati paragonabile ai migliori benchmark RBFE esistenti (es. OpenFE).
3. Validazione Zero-Shot: Dimostrazione che un approccio ABFE "out-of-the-box", senza ottimizzazione specifica per target, può raggiungere prestazioni competitive.
4. Studio di Caso KRAS(G12D): Validazione del metodo su un dataset difficile e altamente carico (KRAS(G12D) con ligandi dicationici e cofattori complessi), dimostrando la robustezza del protocollo in scenari complessi.

4. Risultati

• Prestazioni di Ranking: Su 43 target, Felis-ABFE ha dimostrato statistiche di ranking (Spearman's ρ e Kendall's τ) paragonabili ai metodi RBFE di punta (FEP+ con force field OPLS4), nonostante le simulazioni ABFE siano state più brevi (3-5 ns per replica vs 20 ns per RBFE).
  • Felis ha raggiunto un ρ di circa 0.6 e un τ di 0.4 su molti sistemi, avvicinandosi alle prestazioni RBFE (ρ ~0.7, τ ~0.5).
• Convergenza e Robustezza:
  • L'uso di tre repliche indipendenti di simulazioni brevi ha permesso di sopprimere il rumore statistico intrinseco dell'ABFE, ottenendo ranking affidabili.
  • Nel caso studio KRAS(G12D), con ligandi altamente carichi e un pocket di legame profondo, simulazioni più lunghe (fino a 10 ns) hanno portato a una convergenza stabile e a un'accuratezza di ranking eccellente (ρ = 0.76, τ = 0.64).
• Impatto del Force Field: Il confronto tra diverse schemi di carica (AM1-BCC vs ABCG2) all'interno di ByteFF25 non ha mostrato differenze statisticamente significative nelle prestazioni di ranking.
• Limitazioni Osservate: In alcuni casi specifici (es. sistemi con dinamiche dell'acqua critiche come scyt_dehyd), la mancanza di un campionamento esplicito delle molecole d'acqua (GCMC) ha influito negativamente sui risultati, suggerendo un'area di miglioramento futuro.

5. Significato e Implicazioni

Questo lavoro rappresenta una svolta significativa per l'adozione dell'ABFE nella scoperta di farmaci:

• Fattibilità Operativa: Dimostra che l'ABFE non è più solo un metodo di ricerca teorica, ma può essere implementato come flusso di lavoro produttivo automatizzato per la priorità dei ligandi (hit discovery) senza vincoli di scaffold.
• Riduzione dei Costi: La capacità di ottenere ranking affidabili con simulazioni più brevi rispetto ai protocolli RBFE tradizionali (grazie all'efficienza hardware e alla strategia delle repliche) rende l'ABFE economicamente sostenibile per grandi librerie chimiche.
• Versatilità: La capacità di gestire ligandi con scaffold diversi e cariche complesse (come nel caso KRAS) apre nuove possibilità per target considerati "difficili" o per la ri-prioritizzazione di serie chimiche eterogenee.
• Futuro: Gli autori identificano come aree di miglioramento futuro l'accuratezza dei pose di legame (integrando tecniche di enhanced sampling o modelli di folding), l'assegnazione robusta degli stati di protonazione e il perfezionamento dei parametri non legati (cariche e vdW) per migliorare l'accuratezza assoluta oltre al ranking.

In sintesi, Felis si posiziona come un motore ABFE pronto all'uso, efficace e scalabile, capace di colmare il divario tra la rigore teorico dell'ABFE e le esigenze pratiche della scoperta di farmaci su larga scala.