🧬 biology

Benchmarking open-source tools for in silico antiviral drug discovery

Dit artikel pleit voor verhoogde investeringen in de ontdekking van antivirale geneesmiddelen door een uitgebreid overzicht van open-source tools te presenteren, een gecureerde dataset van 43.005 virale eiwit-ligandinteracties en een benchmark van 15 op AI gebaseerde modellen die de superieure prestaties van fijn afgestemde machine learning-benaderingen zoals Boltz-2 en DrugFormDTA aantonen voor het voorspellen van bindingsaffiniteiten.

Oorspronkelijke auteurs: Daniel C. Elton, Preston W. Estep

Gepubliceerd 2026-05-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniel C. Elton, Preston W. Estep

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Plaatje: Een Wedstrijd Tegen een Virus

Stel je voor dat er een nieuw virus voor de deur staat. De auteurs van dit artikel betogen dat hoewel vaccins geweldig zijn, ze tijd kosten om te ontwikkelen en niet voor iedereen werken. Antivirale middelen zijn de "blusapparaten" die we nu nodig hebben. Ze kunnen snel worden ingezet, vooral als we bestaande medicijnen kunnen vinden die al tegen andere virussen werken en die gewoon voor dit nieuwe virus gebruiken (een proces dat drug repurposing of herbestemming van medicijnen heet).

Er is echter een probleem: we hebben geen goede kaart van welke medicijnen tegen welke virussen werken. Dit artikel is een poging om die kaart met behulp van computers te maken.

Het Probleem: Een Rommelige Bibliotheek

Om een computer te leren voorspellen of een medicijn een virus zal doden, heb je een enorme bibliotheek aan data nodig: "Medicijn X past in Virusproteïne Y."
De auteurs gingen naar de grootste beschikbare bibliotheek, genaamd BindingDB, om deze data te halen. Maar ze ontdekten dat de bibliotheek een ramp was.

De "Polyproteïne"-Puzzel: Veel virussen (zoals SARS-CoV-2) schrijven hun instructies als één gigantische, lange tekstreeks (een polyproteïne) die in kleinere, functionele stukken moet worden gesneden. De bibliotheek had duizenden vermeldingen waarbij de data aan het hele gigantische stuk was gekoppeld in plaats van aan het specifieke afgesneden stuk (het daadwerkelijke doelwit).
De Oplossing: De auteurs fungeerden als bibliothecarissen die een rommel opruimden. Ze sneden die gigantische stukken (handmatig en met hulp van AI) in de juiste stukken. Ze ontdekten dat 31% van de virale data onbruikbaar was totdat ze deze "snijwerk" hadden uitgevoerd. Eenmaal schoongemaakt, hadden ze een dataset van hoge kwaliteit met 43.005 medicijn-eiwitinteracties.

De Test: Een Wedstrijd Tussen Hulpmiddelen

Zodra ze hun schone data hadden, wilden ze zien welke computertools het beste waren in het voorspellen of een medicijn aan een virus zou blijven plakken. Ze organiseerden een wedstrijd met 15 verschillende open-source tools (gratis software die iedereen kan gebruiken).

Stel je deze tools voor als verschillende soorten detectives die proberen een raadsel op te lossen:

De Docking-Detectives: Deze tools proberen fysiek te simuleren hoe een medicijnmolecuul in een virusproteïne past, alsof je probeert een sleutel in een slot te steken. Ze maken gebruik van natuurkunde en geometrie.
- De Winnaar: GNINA was hierin het beste. Het is als een detective met een zeer goed 3D-model van het slot.
De AI-voorspellers: Deze tools gebruiken machine learning (AI) om patronen te bekijken. Ze bouwen niet per se een 3D-model; ze kijken gewoon naar de "vorm" van de data en gokken.
- De Winnaars: Boltz-2 en DrugFormDTA waren hierin het beste.
- De Verrassing: De auteurs namen hun eigen schoongemaakte data en gebruikten deze om het DrugFormDTA-model te "trainen" (leren). Dit was alsof je de detective een specifieke studiegids gaf voor dit virus. Wat was het resultaat? Het model werd veel slimmer, met een stijging van een correlatiescore van 0,5 (een muntworp) naar 0,7 (een sterke voorspelling).

De Resultaten: Geen Enkele "Wondermiddel"

Het artikel testte deze tools op 853 verschillende medicijnen bij 10 verschillende virussen.

De Conclusie: Er is geen enkel tool dat elke keer wint.
- Boltz-2 was geweldig in het voorspellen hoe medicijnen aan HIV binden, maar het had moeite met SARS-CoV-2 (waarschijnlijk omdat de eerder genoemde "polyproteïne"-rommel het verwarde).
- GNINA (de docking-tool) was zeer consistent maar langzamer.
- DrugFormDTA (de AI-tool) werd de kampioen nadat het was getraind op de specifieke, schoongemaakte data van de auteurs.

De Toolkit die Ze Bouwden

Naast het testen van tools bouwden de auteurs een paar bronnen voor andere wetenschappers om te gebruiken:

Een Schoon Dataset: Een gecurateerde lijst van meer dan 43.000 virale medicijninteracties, opgelost en klaar voor gebruik.
Een Medicijnbibliotheek: Een lijst met goedgekeurde medicijnen, veilige natuurlijke verbindingen en experimentele antivirale middelen.
Een Dashboard: Een website (antivirals-database.radvac.org) waar mensen deze medicijnen kunnen opzoeken.

Wat Ze Niet Zeiden

Het is belangrijk om te blijven bij wat het artikel daadwerkelijk beweert:

Ze hebben geen nieuwe genezing voor een virus ontdekt.
Ze hebben deze medicijnen in deze studie niet getest op mensen of dieren.
Ze hebben niet beweerd dat één specifiek hulpmiddel perfect is voor de toekomst.
Ze hebben simpelweg aangetoond dat het opschonen van de data computers beter laat werken, en dat verschillende tools verschillende sterke punten hebben, afhankelijk van het specifieke virus.

Samenvattende Analogie

Stel je voor dat je probeert te voorspellen welke sleutels welke sloten openen in een enorme, rommelige pakhuis.

De Oude Manier: Je pakt een hoop sleutels en sloten uit het pakhuis, maar veel sloten zijn nog met elkaar vastgeplakt in gigantische bundels. Je probeert te raden welke sleutel past, maar je blijft falen omdat de sloten de verkeerde grootte hebben.
Het Werk van Dit Artikel: De auteurs gingen naar binnen, sneden alle bundels uit elkaar en ordenden de sloten correct.
Het Experiment: Ze gaven deze geordende hoop aan 15 verschillende "gokmachines" (sommigen gebruiken natuurkunde, anderen AI).
Het Resultaat: Ze ontdekten dat de AI-machine het snelst leerde wanneer het werd onderwezen met hun nieuw geordende hoop. Ze ontdekten ook dat de beste machine voor het ene type slot (HIV) niet per se de beste was voor een ander (Coronavirus).

Het artikel concludeert dat als we klaar willen zijn voor de volgende pandemie, we moeten investeren in betere data-opschoning en betere computertools om deze "sleutels" sneller te vinden.

Technische Samenvatting: Benchmarken van Open-Source Tools voor In Silico Ontdekking van Antivirale Geneesmiddelen

Probleemstelling

Het artikel adresseert de kritieke lacune in de voorbereiding op pandemieën: het gebrek aan door de FDA goedgekeurde antivirale middelen voor de meerderheid van de virale families met pandemiepotentieel. Hoewel vaccins een primaire verdediging vormen, staan ze voor beperkingen zoals lange ontwikkelingslijnen, publieke aarzeling en het onvermogen om te beschermen tegen pathogenen waarvoor vaccinatie moeilijk is (bijv. HIV, RSV). Bovendien duurt het weken voordat adaptieve immuniteit zich ontwikkelt, waardoor er een raam van kwetsbaarheid ontstaat.

De auteurs betogen dat hergebruik van geneesmiddelen en het ontwerpen van antivirale combinaties de snelste weg bieden naar het inzetten van effectieve behandelingen tijdens een uitbraak. Deze strategie wordt echter gehinderd door:

Kwaliteitsproblemen met data: Bestaande openbare datasets (bijv. BindingDB) bevatten aanzienlijke ruis, inclusief onbewerkte virale polyproteïnen die ongeschikt zijn voor machine learning (ML)-training.
Methodologische variatie: Er ontbreekt een uitgebreide benchmark die open-source computationele tools (ML-gebaseerd, docking en hybride) specifiek vergelijkt op virale eiwitdoelen.
Economische barrières: Farmaceutische prikkels voor hergebruik zijn laag vanwege beperkte marktexclusiviteit en de complexiteit van het licentiëren van combinatietherapieën.

Methodologie

1. Datacuratie en Polyproteïne-verwerking

De auteurs construeerden een aangepaste, hoogwaardige dataset van 43.005 virale eiwit-ligand-bindingsmetingen door data te aggregeren uit BindingDB, SMACC en Heli-SMACC.

Polyproteïne-uitdaging: Een cruciale bevinding was dat 31% van de virale bindingsdata in BindingDB polyproteïneseries vereiste die zorgvuldig moesten worden opgesplitst voordat ze gebruikt konden worden. Veel vermeldingen noemden doelen als grote polyproteïnen (bijv. SARS-CoV-2 ORF1ab) in plaats van de specifieke functionele domeinen (bijv. Main Protease) die in assays worden gebruikt.
Oplossing: Het team ontwikkelde een mapping-functie om polyproteïneslices en ligandennamen te koppelen aan specifieke eiwitdoelen, waarbij LLM's (Anthropic's Haiku) werden gebruikt om referenties te verifiëren.
Dataset-samenstelling: De definitieve dataset bevat 43.005 records voor training en een vastgehouden testset van 280 records (alleen Ki/Kd-waarden) voor initiële modelafstelling.

2. Model Fine-tuning

De auteurs hebben het DrugFormDTA-model (Khokhlov et al., 2025) gefinetuned, een op sequentie gebaseerd ML-model dat Chemformer gebruikt voor moleculen en ESM-2 voor eiwitten.

Trainingsstrategie: Ze trainden vier aparte modellen en ensembleerden deze, waarbij ze de originele architectuur kopieerden. Ze testten zowel MSE- als Huber-verliesfuncties met verschillende leerplanschema's.
Doel: Een algemeen DTA-model specifiek aanpassen voor virale eiwitten, om de bias in de originele trainingsdata aan te pakken die sterk de voorkeur gaf aan zoogdier-eiwitten.

3. Benchmark Framework

De auteurs evalueerden 15 open-source tools op een grotere, diverse testset van 853 antivirale verbindingen die 16 eiwitdoelen bestrijken van 10 virussen (waaronder SARS-CoV-2, HIV, HCV, Dengue, Zika, Influenza).

Tool-categorieën:
- ML/Op sequentie gebaseerd: DrugFormDTA, Boltz-2, GatorAffinity, Interformer, DrugCLIP, Uni-Mol+GNINA.
- Docking/Fysica-gebaseerd: GNINA, FlowDock, DiffDock, Protenix-Dock, AutoDock-GPU, Vina-GPU, Uni-Dock.
Metingen: Prestaties werden beoordeeld met Pearson-correlatie ( $r$ ), Spearman-rangcorrelatie ( $\rho$ ), $Q^2$ , RMSE, MAE, AUROC en BEDROC.
Data-handling: Ruwe scores werden lineair herschaald om overeen te komen met $pK_d$ -eenheden om een eerlijke vergelijking te waarborgen tussen tools met verschillende output-schalen.

Belangrijkste Resultaten

1. Impact van Data-reiniging en Fine-tuning

DrugFormDTA-prestaties: Het finetunen van DrugFormDTA op de opgeschoonde, op polyproteïnen gesplitste antivirale dataset verbeterde de prestaties aanzienlijk. De Pearson-correlatie ( $r$ ) steeg van 0,50 (basismodel) naar 0,70 (gefinetuned ensemble).
Noodzaak van polyproteïnesplitsing: De resultaten onderstrepen dat het niet splitsen van polyproteïnen in trainingsdata de generaliseerbaarheid van modellen naar specifieke virale doelen ernstig verslechtert.

2. Benchmarken van Open-Source Tools

Op de testset van 853 verbindingen varieerden de prestaties aanzienlijk per tooltype en doel:

Top ML-prestators: Boltz-2 en het gefinetunde DrugFormDTA scoorden het hoogst onder ML-gebaseerde benaderingen.
- Gefinetuned DrugFormDTA behaalde $r = 0,701$ .
- Boltz-2 behaalde overall $r = 0,316$ , hoewel het uitzonderlijk goed presteerde op HIV Reverse Transcriptase ( $r = 0,68$ ), waarschijnlijk vanwege de overvloed aan trainingsdata voor dat specifieke eiwit.
Top Docking-prestators: GNINA (CNN-scoring) presteerde het beste onder docking-benaderingen ( $r = 0,302$ ), en deed het beter dan standaard Vina en andere starre docking-tools.
Algemene trends:
- Variantie: Geen enkele tool presteerde het beste op alle virale eiwitten. De prestaties waren sterk doelafhankelijk (bijv. Boltz-2 had moeite met SARS-CoV-2 MPro, waarschijnlijk vanwege het polyproteïne-probleem in zijn trainingsdata).
- Sequentie versus Structuur: Op sequentie gebaseerde modellen (DrugFormDTA) presteerden over het algemeen beter dan op structuur gebaseerde docking-methoden in deze specifieke benchmark, hoewel docking-tools zoals GNINA concurrerend bleven.
- Foutpercentages: Sommige tools (bijv. DiffDock in de initiële tests van de auteurs) slaagden er niet in om liganden in actieve sites te plaatsen zonder specifieke pocket-gidsing, wat resulteerde in een correlatie dicht bij nul.

3. Samenstellen van Bronnen

De auteurs hebben samengesteld en vrijgegeven:

Een bibliotheek van 2.096 goedgekeurde kleine molecuul-geneesmiddelen en 3.311 totale goedgekeurde geneesmiddelen (inclusief internationale goedkeuringen).
Een uitgebreide dataset van GRAS (Generally Recognized As Safe)-verbindingen en natuurlijke producten afgeleid van COCONUT, LOTUS, FooDB en andere bronnen.
Een publiek dashboard op antivirals-database.radvac.org met onderzochte en goedgekeurde antivirale middelen.

Betekenis en Claims

Het artikel positioneert zichzelf als een fundamentele bron voor de open-source gemeenschap in de ontdekking van antivirale middelen. De primaire claims zijn:

Data-integriteit is van het grootste belang: De studie toont aan dat het principe "vuil in, vuil uit" bijzonder acuut is in de ontdekking van virale geneesmiddelen vanwege polyproteïne-complexiteiten. De auteurs claimen dat zorgvuldige curatie (het splitsen van polyproteïnen) een voorwaarde is voor het trainen van effectieve ML-modellen.
Haalbaarheid van Open-Source: Het werk levert empirisch bewijs dat open-source tools, wanneer correct gebenchmarkt en gefinetuned op relevante data, prestaties kunnen bereiken die vergelijkbaar zijn met of zelfs superieur zijn aan commerciële standaarden voor specifieke virale doelen.
Fundering voor snelle respons: Door een opgeschoonde dataset, een benchmark van tools en een bibliotheek van herbruikbare verbindingen te verstrekken, beogen de auteurs de instapdrempel te verlagen voor onderzoekers die snelle pipelines voor geneesmiddelhergebruik en combinatietherapieën ontwikkelen.
Bescheiden reikwijdte: De auteurs stellen expliciet dat hoewel hun werk een fundering biedt, het niet claimt het probleem van de novo geneesmiddelenontwerp opgelost te hebben. Ze benadrukken dat het veld nog steeds een enkele "beste" aanpak mist en dat expertise in medische chemie cruciaal blijft voor de uiteindelijke selectie. Ze merken op dat hun benchmarks specifiek zijn voor de geteste datasets en doelen en geen generaliseerbaarheid garanderen voor alle toekomstige virale uitbraken zonder verdere aanpassing.

Het artikel concludeert dat investeren in deze technologieën en technieken essentieel is voor toekomstige pandemiebereidheid, waardoor snelle identificatie van antivirale middelen en het ontwerpen van synergetische geneesmiddelencombinaties mogelijk wordt.