Sintesi Tecnica: ReliaMol-3D

Definizione del Problema

I generator molecolari tridimensionali (3D) condizionati dalla tasca possono produrre numerosi candidati ligandi per un recettore specifico. Tuttavia, un collo di bottiglia critico rimane nella fase di triage post-generazione: determinare quali candidati da un pool generato siano sufficientemente utilizzabili all'interno del sistema di coordinate del recettore previsto per giustificare processi a valle costosi come il raffinamento tramite docking, la pianificazione della sintesi o l'ispezione esperta.

Gli indicatori di valutazione esistenti sono insufficienti per questa decisione specifica:

• Metriche basate solo sul ligando (es. QED, Sintetizzabilità) catturano la desiderabilità chimica ma ignorano il posizionamento nel recettore.
• Score di docking (es. Vina, GNINA) forniscono stime simili all'affinità ma possono coesistere con geometrie tensionate, collisioni (clash) o incoerenze di coordinate.
• Controlli di validità fisica (es. PoseBusters) verificano la plausibilità interna ma non classificano i candidati sopravvissuti né tengono conto del contesto specifico del recettore.

La sfida centrale è classificare un pool fisso di candidati 3D generati in base alla usabilità computazionale nel frame del recettore senza confondere la selezione con la predizione dell'affinità o l'inserimento di oracoli esterni (come gli score di docking) come input nascosti.

Metodologia: ReliaMol-3D

ReliaMol-3D è un workflow di reranking post-generazione, uditabile e agnostico rispetto al generatore, progettato per dare priorità ai candidati basandosi su evidenze prive di score (score-free). Il workflow separa i ruoli di generazione, selezione e validazione.

1. Governance e Audit delle Coordinate

Il workflow inizia con un rigoroso audit della provenienza delle coordinate del recettore. I candidati vengono valutati nell'esatto sistema di coordinate del recettore (specificamente, le esatte coordinate CrossDocked dell'eteroatomo pesante) piuttosto che in strutture pubbliche approssimative. Ciò evita che errori di provenienza delle coordinate vengano erroneamente identificati come fallimenti del generatore.

2. Estrazione di Feature Libere da Score

Il modello primario utilizza un vettore di 41 feature derivate da tre famiglie chimicamente interpretabili, escludendo esplicitamente docking score, identità del generatore, indicatori diretti di fallimento e risultati di PoseBusters:

• Chimica del Ligando: Peso molecolare, logP, TPSA, QED, legami rotabili, conteggio degli anelli, conteggio degli eteroatomi, carica formale, conteggio di elementi rari e frazioni di tipo atomico.
• Geometria 3D Interna: Conteggio atomi della posa, raggio della posa e quantili della distanza tra vicini più prossimi (5%–90%).
• Contesto Ligando–Tasca: Quantili della distanza minima ligando-tasca e frazioni di occupazione del guscio (0–2Å, 2–4Å, ecc.) rispetto alla tasca del recettore.

3. Definizione dell'Endpoint di Affidabilità

La variabile target è un label binario di affidabilità computazionale nel frame del recettore ($y_i$). Un candidato è considerato affidabile solo se supera simultaneamente cinque indicatori di fallimento predefiniti:

1. Validità chimica ($z_{chem}$)
2. Plausibilità della geometria interna ($z_{geom}$)
3. Presenza di contatto con la tasca ($z_{pocket}$)
4. Assenza di collisione con il recettore ($z_{clash}$)
5. Limiti di complessità sintetica ($z_{syn}$)

Questo label è distinto dall'affinità di legame o dall'attività biologica; serve come un endpoint uditabile per la "usabilità nel frame del recettore".

4. Modelli di Reranking

• Modello Primario (RF-ReliaMol): Un classificatore Random Forest addestrato a predire la probabilità di superare i criteri di affidabilità. È trasparente, riproducibile e progettato per il triage post-generazione.
• Varianti: HGB-ReliaMol (Histogram Gradient Boosting) per la conferma delle prestazioni; MLP-ReliaMol e RCEF (Reliability-Calibrated Evidence Fusion) come modelli diagnostici per testare la sensibilità dei gruppi di feature e la calibrazione.
• Strumenti Esterni: Gli score di docking (Vina/GNINA) e PoseBusters (PB) sono trattati come baseline di confronto separate o come gate di eligibilità rigorosi opzionali, non come input del reranker primario.

5. Protocollo di Selezione

I candidati vengono classificati all'interno di ogni tasca in base alla probabilità di affidabilità predetta ($\hat{p}_i$). Viene selezionata una lista breve a budget fisso (es. top 10%). Può essere applicata una policy opzionale con gate PB rigoroso, in cui solo i candidati che superano PB vengono sottoposti a reranking, senza riempimento (backfilling) qualora il pool sia insufficiente.

Risultati Chiave

Benchmark Principale (DiffSBDD)

Valutato su 10.000 candidati da 100 tasche esatte CrossDocked:

• Affidabilità: Al 10% di copertura, RF-ReliaMol raggiunge una affidabilità top-10% di 0.9990 (deviazione standard zero tra i seed), rispetto allo 0.9660 della baseline QED/SA. HGB-ReliaMol raggiunge lo 0.9993.
• Ablazione: Il guadagno è guidato principalmente dalla geometria 3D interna e dal contesto ligando-tasca. I descrittori del ligando da soli migliorano l'affidabilità a 0.9727, ma l'aggiunta della geometria della tasca la eleva a 0.9990.
• Robustezza: Il modello mantiene un'alta affidabilità (0.9959–0.9988) ai livelli di copertura del 20% e 50% e rimane stabile sotto perturbazioni delle coordinate (0.25 Å) e evidenze rumorose.

Test di Stress e Trasferimento

• Shift del Generatore: Su uno split di un generatore CVAE tenuto fuori (noto per gli alti tassi di fallimento), RF-ReliaMol migliora l'affidabilità da 0.7868 (Vina-minimize) a 0.9800.
• Leave-Generator-Out: Nelle valutazioni cross-generatore, RF-ReliaM achieve un'affidabilità di 0.9950, dimostrando la trasferibilità tra diverse famiglie di generatori (TargetDiff, Pocket2Mol, AR).
• Fallimento Controllato (DUD-E): In un test di stress DUD-E con fallimenti iniettati, MLP-ReliaMol raggiunge un ROC-AUC di 0.9981, superando significativamente Vina (0.5966).

Utilità Chimica e Diversità

ReliaMol migliora l'affidabilità senza far collassare la diversità chimica:

• Diversità di Scaffold: RF-ReliaMol mantiene 9.88 scaffold di Murcko unici per tasca (rispetto a 9.90 per QED/SA).
• Chimica Medicinale: I candidati selezionati mantengono alti tassi di passaggio Lipinski/Veber e bassi tassi di alert PAINS.
• PB Gating: Quando combinato con un gate rigoroso PoseBusters, il set selezionato raggiunge un'affidabilità di 1.0000 e un tasso di passaggio PB di 1.0000.

Significato e Claim

L'articolo posiziona ReliaMol-3D non come un nuovo generatore molecolare o un predittore di affinità, ma come uno strato di triage focalizzato sulla riproducibilità e con ruoli separati per il drug design basato sulla struttura (SBDD).

1. Triage Uditabile: Definisce un endpoint specifico di "affidabilità nel frame del recettore" distinto dall'affinità, permettendo una chiara separazione tra la selezione dei candidati e la validazione a valle.
2. Evidenza Libera da Score: Escludendo gli score di docking e l'identità del generatore dal modello primario, evita il ragionamento circolare e assicura che la selezione si basi su evidenze chimiche e geometriche interpretabili.
3. Agnosticismo rispetto al Generatore: Il workflow è efficace attraverso diverse famiglie di generatori, inclusi quelli con alti tassi di fallimento (es. CVAE), rendendolo un filtro robusto per pool generati eterogenei.
4. Workflow Pratico: Fornisce un protocollo concreto per dare priorità ai candidati prima di costosi rescoring o sintesi, colmando il divario tra generazione ad alto rendimento e ispezione esperta.

Gli autori concludono che, sebbene i moderni generatori producano candidati plausibili, il collo di bottiglia a valle della selezione del sottoinsieme utilizzabile è meglio affrontato da uno strato di reranking dedicato e uditabile che modella esplicitamente l'usabilità nel frame del recettore attraverso feature chimicamente interpretabili e prive di score.