Technische Samenvatting: ReliaMol-3D

Probleemstelling

Pocket-geconditioneerde driedimensionale (3D) moleculaire generatoren kunnen talrijke ligandkandidaten produceren voor een specifieke receptor. Echter, een kritieke bottleneck blijft bestaan in de fase van de post-generatie triage: het bepalen welke kandidaten uit een gegenereerde pool voldoende bruikbaar zijn binnen het beoogde receptor-coördinatenstelsel om dure downstream-processen zoals docking-verfijning, syntheseplanning of deskundige inspectie te rechtvaardigen.

Bestaande evaluatiesignalen zijn onvoldoende voor deze specifieke beslissing:

• Ligand-alleen metrieken (bijv. QED, Synthetic Accessibility) vatten chemische wenselijkheid samen, maar negeren de plaatsing in de receptor.
• Docking scores (bijv. Vina, GNINA) bieden schattingen van affiniteit, maar kunnen samenbestaan met gespannen geometrieën, botsingen of coördinaten-inconsistenties.
• Fysieke validiteitscontroles (bijv. PoseBusters) verifiëren interne plausibiliteit, maar rangschikken geen overlevende kandidaten en houden geen rekening met de receptor-specifieke context.

De centrale uitdaging is het rangschikken van een vaste pool van gegenereerde 3D-kandidaten op basis van computationele receptor-frame bruikbaarheid, zonder selectie te verwarren met affiniteitspredictie of het integreren van externe oracles (zoals docking scores) als verborgen inputs.

Methodologie: ReliaMol-3D

ReliaMol-3D is een auditeerbare, generator-agnostische post-generatie herrangschikkingsworkflow die ontworpen is om kandidaten te prioriteren op basis van score-vrij bewijs. De workflow scheidt de rollen van generatie, selectie en validatie.

1. Coördinatenbeheer en Auditering

De workflow begint met strikte auditering van de herkomst van de receptor-coördinaten. Kandidaten worden geëvalueerd in het exacte receptor-coördinatenstelsel (specifiek, exacte CrossDocked zware-receptor coördinaten) in plaats van benaderende publieke structuren. Dit voorkomt dat fouten in de herkomst van coördinaten worden geïdentificeerd als falen van de generator.

2. Score-vrije Kenmerkextractie

Het primaire model gebruikt een 41-kenmerk vector afgeleid van drie chemisch interpreteerbare families, waarbij docking scores, de identiteit van de generator, directe faalindicatoren en PoseBusters-uitkomsten expliciet worden uitgesloten:

• Ligand Chemie: Moleculair gewicht, logP, TPSA, QED, rotatierijke bindingen, ringaantallen, heteroatoom-aantallen, formele lading, zeldzame elementen, en verhoudingen van atoomtypen.
• Interne 3D Geometrie: Pose atoomaantallen, pose radius, en de kwantielen van de afstand tussen dichtstbijzijnde buren (5%–90%).
• Ligand–Pocket Context: Kwantielen van de minimale afstand tussen ligand en pocket en de bezettingsfracties van de schillen (0–2Å, 2–4Å, etc.) relatief aan de receptor-pocket.

3. Betrouwbaarheidseindpunt Definitie

De doelvariabele is een binaire computationele receptor-betrouwbaarheidslabel ($y_i$). Een kandidaat wordt alleen als betrouwbaar beschouwd als deze vijf vooraf gespecificeerde faalindicatoren simultaan doorstaat:

1. Chemische validiteit ($z_{chem}$)
2. Interne geometrische plausibiliteit ($z_{geom}$)
3. Aanwezigheid van pocket-contact ($z_{pocket}$)
4. Afwezigheid van receptor-botsing ($z_{clash}$)
5. Synthetische complexiteitslimieten ($z_{syn}$)

Dit label is onderscheidend van bindingsaffiniteit of biologische activiteit; het dient als een auditeerbaar eindpunt voor "bruikbaarheid in het receptor-frame".

4. Herrangschikkingsmodellen

• Primair Model (RF-ReliaMol): Een Random Forest classifier getraind om de waarschijnlijkheid te voorspellen van het voldoen aan de betrouwbaarheidscriteria. Het is transparant, reproduceerbaar en ontworpen voor post-generatie triage.
• Varianten: HGB-ReliaMol (Histogram Gradient Boosting) voor prestatiebevestiging; MLP-ReliaMol en RCEF (Reliability-Calibrated Evidence Fusion) als diagnostische modellen om de gevoeligheid en kalibratie van kenmerkgroepen te testen.
• Externe Tools: Docking scores (Vina/GNINA) en PoseBusters (PB) worden behandeld als aparte vergelijkingsbaselines of optionele strikte geschiktheidsdrempels, niet als inputs voor de primaire herrangschikker.

5. Selectieprotocol

Kandidaten worden binnen elke pocket gerangschikt op basis van de voorspelde betrouwbaarheidswarschijnlijkheid ($\hat{p}_i$). Een shortlist met een vast budget (bijv. de top 10%) wordt geselecteerd. Een optioneel strikt PB-gated beleid kan worden toegepast, waarbij alleen PB-voldoende kandidaten worden hergerangschikt, zonder aan te vullen indien de pool onvoldoende is.

Belangrijkste Resultaten

Hoofdbenchmark (DiffSBDD)

Geëvalueerd op 10.000 kandidaten uit 100 exacte CrossDocked pockets:

• Betrouwbaarheid: Bij 10% dekking bereikt RF-ReliaMol een top-10% betrouwbaarheid van 0,9990 (nul standaarddeviatie over verschillende seeds), vergeleken met 0,9660 voor de QED/SA baseline. HGB-ReliaMol bereikt 0,9993.
• Ablatie: De winst wordt primair gedreven door interne 3D geometrie en de ligand-pocket context. Alleen ligand-descriptors verbeteren de betrouwbaarheid naar 0,9727, maar het toevoegen van pocket-geometrie verhoogt dit naar 0,9990.
• Robuustheid: Het model behoudt een hoge betrouwbaarheid (0,9959–0,9988) bij 20% en 50% dekking en blijft stabiel onder coördinaten-perturbaties (0,25 Å) en ruis in de bewijsvoering.

Stress Tests en Transfer

• Generator Shift: Op een uit de dataset gehouden CVAE generator-split (bekend om hoge faalpercentages), verbetert RF-ReliaMol de betrouwbaarheid van 0,7868 (Vina-minimalisatie) naar 0,9800.
• Leave-Generator-Out: In cross-generator evaluaties bereikt RF-ReliaMol een betrouwbaarheid van 0,9950, wat de transfereerbaarheid over verschillende generatorfamilies aantoont (TargetDiff, Pocket2Mol, AR).
• Gecontroleerd Falen (DUD-E): In een DUD-E stress test met geïnjecteerde fouten bereikt MLP-ReliaMol een ROC-AUC van 0,9981, wat significant beter is dan Vina (0,5966).

Chemische Bruikbaarheid en Diversiteit

ReliaMol verbetert de betrouwbaarheid zonder de chemische diversiteit te laten instorten:

• Scaffold Diversiteit: RF-ReliaMol behoudt 9,88 unieke Murcko scaffolds per pocket (versus 9,90 voor QED/SA).
• Medicinale Chemie: De geselecteerde kandidaten behouden hoge Lipinski/Veber pass-rates en lage PAINS alert-rates.
• PB Gating: Wanneer gecombineerd met een strikte PoseBusters gate, bereikt de geselecteerde set een betrouwbaarheid van 1,0000 en een PB-pass rate van 1,0000.

Betekenis en Claims

Het artikel positioneert ReliaMol-3D niet als een nieuwe moleculaire generator of affiniteitspredictor, maar als een reproduceerbaarheidsgerichte, rol-gescheiden triage-laag voor structure-based drug design (SBDD).

1. Auditeerbare Triage: Het definieert een specifiek "receptor-frame betrouwbaarheid" eindpunt dat onderscheid maakt van affiniteit, waardoor een duidelijke scheiding mogelijk is tussen kandidaatselectie en downstream validatie.
2. Score-vrije Bewijsvoering: Door docking scores en de identiteit van de generator uit te sluiten van het primaire model, voorkomt het circulaire redeneringen en zorgt het ervoor dat de selectie gebaseerd is op interpreteerbare chemische en geometrische bewijsvoering.
3. Generator-Agnostisch: De workflow is effectief over diverse generatorfamilies, inclusief die met hogere faalpercentages (bijv. CVAE), wat het een robuuste filter maakt voor heterogene gegenereerde pools.
4. Praktische Workflow: Het biedt een concreet protocol voor het prioriteren van kandidaten vóór dure rescoring of synthese, waarmee de kloof tussen high-throughput generatie en deskundige inspectie wordt overbrugd.

De auteurs concluderen dat hoewel moderne generatoren plausibele kandidaten produceren, de downstream bottleneck van het selecteren van de bruikbare subset het beste wordt aangepakt door een toegewijde, auditeerbare herrangschikkingslaag die de bruikbaarheid in het receptor-frame expliciet modelleert via score-vrije, chemisch interpreteerbare kenmerken.