Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks

Sintesi Tecnica: Previsione della degradabilità mediata da PROTAC basata sulla struttura tramite Reti Neurali a Grafo

Problematica
Le chimere che promuovono la proteolisi (PROTAC) offrono un meccanismo catalitico per degradare proteine responsabili di malattie reclutando E3 ubiquitina ligasi. Tuttavia, esiste un collo di bottiglia critico nella fase iniziale del processo di scoperta dei farmaci: la selezione del target. Determinare se una specifica proteina sia idonea alla degradazione mediata da PROTAC richiede attualmente la sintesi di molecole candidate e l'esecuzione di costosi saggi cellulari. I metodi computazionali esistenti (ad es., DeepPROTACs, DegradeMaster) si basano sulla struttura molecolare completa del PROTAC come input, rendendoli inutilizzabili per la valutazione iniziale del target, dove il PROTAC non è ancora stato progettato. Gli autori affrontano la necessità di uno strumento di previsione pre-sintesi in grado di valutare la degradabilità utilizzando solo le informazioni minime disponibili nella fase di selezione del target: la struttura della proteina target e l'identità dell'E3 ligasi.

Metodologia: DegradoMap
Gli autori introducono DegradoMap, una Rete Neurale a Grafo (GNN) progettata per prevedere la degradabilità binaria e l'efficienza di degradazione continua senza i dati strutturali del PROTAC. L'architettura è composta da quattro moduli primari:

1. Encoder Structure–Ubiquitination Graph (SUG):

   • Input: Grafi di strutture proteiche costruiti da strutture predette da AlphaFold (raggio $r=8$ Å). Le caratteristiche dei nodi includono embedding ESM-2 opzionali (1.280-dim), proprietà fisico-chimiche, pLDDT, SASA, punteggi di disordine e maschere di siti di ubiquitinazione noti da PhosphoSitePlus.
   • Meccanismo: Una GNN a passaggio di messaggi invariante (SE(3)-invariante) aggiorna le rappresentazioni dei nodi utilizzando distanze euclidee scalari tra gli atomi $C_\alpha$.
   • Innovazione chiave: Un meccanismo di pooling globale pesato sulla lisina. Poiché l'ubiquitina si lega ai residui di lisina, il modello applica un softmax per proteina per dare maggiore peso ai residui di lisina in base a un parametro appreso. Fondamentalmente, questo utilizza una normalizzazione per proteina per evitare la fuga di dati (data leakage) tra i batch e una normalizzazione della dimensione $1/\sqrt{N}$ per evitare che la dimensione della proteina agisca come un breve percorso (shortcut) banale.
   • Scelta di progettazione: Gli autori hanno scelto deliberatamente un'architettura invariante rispetto a design E(3)-equivarianti, riscontrando che le caratteristiche di distanza scalare sono sufficienti per questo compito di previsione scalare e che i modelli equivarianti offrono prestazioni inferiori.

2. Modulo di Compatibilità E3:

   • Meccanismo: Uno strato di cross-attention bidirezionale che modella la compatibilità tra la rappresentazione proteica (query) e l'identità dell'E3 ligasi (key/value).
   • Implementazione: Le E3 ligasi sono rappresentate come embedding appresi (anziché come caratteristiche strutturali) a causa del numero limitato di E3 distinte (10) nel dataset. Ciò consente al modello di apprendere "filtri" specifici per l'E3 sulla struttura proteica.

3. Encoder del Contesto Cellulare:

   • Input: 59 caratteristiche specifiche per tessuto provenienti dal Cancer Dependency Map (DepMap), che coprono l'espressione genica, i livelli proteici e l'appartenenza a pathway.
   • Meccanismo: Un MLP residuo elabora queste caratteristiche per tenere conto delle variabili cellulari come i livelli di espressione dell'E3 e la capacità del proteasoma.

4. Fusione Gated e Previsione:

   • Un meccanismo di gating appreso pesa dinamicamente gli output dei moduli SUG, E3 e Context.
   • La rappresentazione fusa alimenta due teste: un classificatore binario per la degradabilità (task primario) e un regressore per l'efficienza continua (task ausiliario).
   • Addestramento: Il modello utilizza una perdita multi-task (Binary Cross-Entropy, Huber e Focal Loss) e una strategia di addestramento in tre fasi (pre-addestramento SUG, addestramento congiunto SUG+E3 e fine-tuning completo) per garantire la stabilità.

Risultati Chiave
Il modello è stato valutato sul benchmark PROTAC-8K (3.101 campioni, 155 target, 10 E3 ligasi) utilizzando tre split distinti: Random, Target-Unseen (il più rigoroso) ed E3-Unseen.

• Performance Target-Unseen:
  • Il modello migliorato (con ESM-2) ha raggiunto un AUROC medio su 3 seed di 0,646 ± 0,124 (miglior seed: 0,7449).
  • Una valutazione più estesa su 6 seed ha prodotto un AUROC medio di 0,603 ± 0,097, che non era statisticamente superiore a un baseline di Gradient Boosting (0,607, $p=0,556$).
  • Gli autori notano un'alta varianza tra i seed, suggerendo che l'ensemble sia necessario per un deployment affidabile.
• Trasferimento E3-Unseen:
  • Il modello ha raggiunto un AUROC di 0,811 quando è stato trasferito da dati di addestramento dominati da CRBN a un test set composto solo da VHL, dimostrando una riuscita generalizzazione cross-E3 a livello di ligasi.
  • Tuttavia, le proteine targetizzate da VHL sono specificamente fallite sullo split target-unseen (0,396 AUROC, al di sotto del caso casuale), indicando che i pattern strutturali appresi per CRBN non si generalizzano bene ai target VHL.
• Raccomandazione E3:
  • Il modello raccomanda con successo le E3 ligasi ottimali, raggiungendo un'accuratezza Hit@3 del 74% (la E3 corretta è tra le prime 3 raccomandazioni) e un Mean Recency Rank (MRR) di 0,641.
• Calibrazione:
  • Il modello mostra un'eccellente calibrazione sullo split target-unseen (ECE = 0,029), consentendo ai professionisti di fidarsi dei punteggi di confidenza per lo screening basato su soglie.
• Risultati dell'Ablazione:
  • La rimozione della caratteristica esplicita dell' "indicatore di lisina" ha in realtà migliorato le prestazioni, suggerendo che il pooling pesato sulla lisina dell'architettura è un bias induttivo più efficace rispetto alla semplice annotazione delle caratteristiche.
  • Gli embedding ESM-2 hanno migliorato le prestazioni di picco solo con una regolarizzazione attenta (learning rate inferiore, riduzione del dropout); l'integrazione ingenua ha degradato le prestazioni.

Significato e Rivendicazioni
Il paper posiziona DegradoMap non come una soluzione definitiva che supera tutti i baseline in ogni metrica, ma come uno strumento pragmatico di pre-sintesi che colma una lacuna specifica nel workflow di scoperta dei farmaci.

• Requisito di Input Minimo: A differenza dei metodi esistenti, DegradoMap richiede solo un ID UniProt (per la struttura AlphaFold) e il nome dell'E3 ligasi, consentendo la valutazione prima di qualsiasi sintesi di PROTAC.
• Paradigma Complementare: Gli autori inquadrano DegradoMap come complementare ai metodi a informazione completa (come DegradeMaster). DegradoMap serve per lo screening dei target (pre-sintesi), mentre i metodi a informazione completa servono per l'ottimizzazione della molecola (post-sintesi).
• Limitazioni Oneste: Gli autori riconoscono esplicitamente che la performance media del modello su 6 seed non è statisticamente significativa rispetto a baseline più semplici e che le performance sono altamente variabili e dipendenti dall'E3 (specificamente fallendo sui target VHL). Sostengono che il valore del modello risieda nella sua interpretabilità strutturale (tramite i pesi di attenzione della lisina), nella capacità di raccomandazione E3 e nei suoi punteggi di confidenza ben calibrati, piuttosto che nel dominio puro dell'AUROC.
• Approfondimenti Architetturali: Il lavoro contribuisce a scoperte più ampie nel deep learning geometrico, specificamente che le architetture invarianti possono superare quelle equivarianti per la previsione di proprietà scalari in questo dominio, e che gli embedding dei modelli linguistici proteici richiedono una regolarizzazione specifica per il task per essere benefici.

In sintesi, DegradoMap fornisce un framework computazionalmente efficiente e consapevole della struttura per la valutazione precoce dei target PROTAC, offrendo una guida azionabile sulla selezione dell'E3 e sulla probabilità di degradabilità, riportando trasparentemente i propri limiti relativi alla scarsità di dati e alla varianza dei seed.