FLOWR: Flow Matching for Structure-Aware De Novo, Interaction- and Fragment-Based Ligand Generation

Resumo Técnico: FLOWR – Flow Matching para Geração de Ligantes De Novo Baseada em Estrutura, Interação e Fragmentos

Declaração do Problema

A descoberta de fármacos baseada em estrutura (SBDD) visa projetar compostos bioativos aproveitando as estruturas tridimensionais de macromoléculas biológicas. Embora os métodos tradicionais, como o docking molecular e a triagem virtual, enfrentem desafios na exploração de vastos espaços químicos e na previsão precisa de poses de ligação, abordagens recentes de aprendizagem profunda, particularmente modelos de difusão, têm mostrado promessa. No entanto, os métodos existentes baseados em difusão sofrem de várias limitações: dependência de amostragem estocástica iterativa que leva a tempos de inferência prolongados; moléculas geradas frequentemente exibem conformações tensionadas, subestruturas incomuns e redução da semelhança com fármacos; e eles frequentemente lutam para uma recuperação precisa de interações. Além disso, a avaliação dessas metodologias é prejudicada pela qualidade dos conjuntos de dados de referência amplamente utilizados (ex: CROSSDOCKED2020), que frequentemente contêm defeitos estruturais, restrições irreais entre ligante e bolso devido a protocolos de cross-docking rígidos e vazamento significativo de dados entre os conjuntos de treinamento e teste.

Metodologia

Os autores introduzem o FLOWR, um framework generativo projetado para a geração de novo de ligantes tridimensionais condicionados a bolsas proteicas. A metodologia integra diversas técnicas avançadas:

1. Flow Matching com Transporte Ótimo Equivariante: Diferente dos modelos de difusão que dependem de processos estocásticos iterativos, o FLOWR emprega flow matching contínuo e categórico. Ele utiliza o transporte ótimo equivariante (EOT) para reduzir os custos de transporte entre a distribuição de ruído e a distribuição de dados. Esta abordagem permite caminhos de integração mais retos e uma amostragem mais eficiente.
2. Arquitetura: O modelo é construído sobre a arquitetura SEMLA, um framework de passagem de mensagens E(3)-equivariante. O FLOWR estende isso incorporando um codificador de bolsa dedicado que processa características da bolsa proteica independentemente do tempo de fluxo e do ligante ruidoso. Esta codificação é computada uma única vez e reutilizada, amortizando o custo. O decodificador do ligante utiliza atenção cruzada (cross-attention) equivariante para integrar informações da bolsa e, opcionalmente, perfis de interação.
3. Modelagem Híbrida: O FLOWR modela conjuntamente características contínuas (coordenadas do ligante) e características discretas (tipos de átomos, ordens de ligação, cargas formais). Ele utiliza flow matching contínuo para coordenadas e modelos de fluxo discretos para propriedades categóricas, com as cargas formais sendo preditas diretamente.
4. Dataset SPINDR: Para abordar problemas de qualidade de dados, os autores apresentam o SPINDR (Small molecule Protein Interaction Dataset, Refined). Derivado do dataset PLINDER, o SPINDR passa por um pipeline rigoroso incluindo refinamento estrutural (usando o Schrodinger's protein preparation wizard), atribuição de estado de protonação, inferência de interação em resolução atômica (via ProLIF) e filtragem de qualidade. Crucialmente, ele mantém as divisões de dados do PLINDER para minimizar o vazamento entre treino e teste e fornece perfis de interação explícitos.
5. FLOWR.MULTI: Uma extensão do modelo base que permite a geração condicional de múltiplos propósitos. Ele suporta a geração estilo inpainting, onde fragmentos específicos (ex: scaffolds, grupos funcionais ou átomos envolvidos em interações específicas) são fixados (definidos como $t=1$), enquanto o restante da molécula é gerado. Isso permite o scaffold hopping, elaboração e design condicionado à interação sem retreinamento.

Principais Contribuições

1. Modelo FLOWR: Um modelo generativo baseado em fluxo que supera métodos de difusão e de fluxo de estado da arte em precisão de pose, validade e recuperação de interação, oferecendo simultaneamente velocidades de inferência significativamente mais rápidas (até 70 vezes mais rápidas).
2. Dataset SPINDR: Um conjunto de dados de referência de alta qualidade e curado de complexos co-cristalinos ligante-bolsa que aborda os defeitos estruturais e o vazamento de dados prevalentes em datasets existentes como CROSSDOCKED2020 e PDBBind. Inclui perfis de interação pré-computados em resolução atômica.
3. FLOWR.MULTI: Um framework versátil para geração de ligantes direcionada. Ele permite a geração de ligantes que aderem a perfis de interação ou subestruturas químicas pré-definidas (scaffolds, grupos funcionais) em um único modelo, facilitando estratégias de design baseadas em fragmentos como scaffold hopping e ligação (linking) sem a necessidade de reamostragem ou retreinamento computacionalmente caros.

Resultados

Avaliações empíricas foram conduzidas tanto no dataset CROSSDOCKED2020 (como comparação de linha de base) quanto no proposto dataset SPINDR.

• Desempenho vs. Baselines: No CROSSDOCKED2020, o FLOWR superou modelos como POCKET2MOL, DIFFSBDD, TARGETDIFF, DRUGFLOW e PILOT em todas as métricas, alcançando a maior validade PoseBusters (0.92) e a menor energia de deformação (strain energy).
• Avaliação SPINDR: Quando comparado ao PILOT (o competidor mais forte) no SPINDR:
  • Validade: O FLOWR alcançou maior validade RDKit (0.94 vs. 0.79) e validade PoseBusters (0.88 vs. 0.71).
  • Precisão de Pose: O FLOWR demonstrou pontuações AutoDock-Vina superiores (-6.93 vs. -6.30) e menores energias de deformação (90.05 vs. 120.10 kcal/mol).
  • Aprendizado de Distribuição: O FLOWR mostrou distâncias de Wasserstein menores para ângulos de ligação, comprimentos de ligação e ângulos diedros, indicando melhor alinhamento com a distribuição do conjunto de teste.
  • Eficiência: O FLOWR foi aproximadamente 70 vezes mais rápido que o PILOT ao usar 20 passos de integração (comparado aos 500 passos do PILOT), e ainda 20 vezes mais rápido com 100 passos.
  • Recuperação de Interação: O FLOWR superou o PILOT na recuperação de impressões digitais de interação (taxa de sucesso de 47.1% vs. 43.2%).
• Capacidades do FLOWR.MULTI:
  • Condicionado à Interação: Gerou ligantes com uma taxa média de recuperação de interação de 76.1% e pontuações Vina melhoradas (-7.18) em comparação com a geração incondicional.
  • Baseado em Fragmentos: Gerou com sucesso ligantes ao redor de scaffolds e grupos funcionais específicos, mantendo alta validade (validade PB > 0.85) e acessibilidade sintética (escores SA ~0.80) enquanto permitia a exploração controlada do espaço químico.
  • Hidrogênios Explícitos: Embora a modelagem de hidrogênios explícitos tenha reduzido a validade para ambos os modelos (dev devido à cobertura limitada de dados de treinamento), o FLOWR manteve desempenho comparável ao PILOT e mostrou métricas de energia de deformação melhoradas.

Significância e Alegações

O artigo afirma que o FLOWR e o FLOWR.MULTI representam um avanço significativo no design de fármacos baseado em estrutura impulsionado por IA. Ao combinar técnicas de flow matching de estado da arte com condicionamento eficiente de bolsa proteica, o framework aumenta substancialmente a confiabilidade e a aplicabilidade da geração de ligantes de novo, baseada em interação e em fragmentos.

Os autores enfatizam que o dataset SPINDR é um recurso crítico para a comunidade, fornecendo um benchmark robusto que aborda as limitações dos datasets atuais em relação à qualidade da pose e vazamento de dados. Eles posicionam o FLOWR.MULTI como uma ferramenta prática para campanhas de expansão de hits, otimização de hit-to-lead e otimização de leads, capaz de gerar ligantes que se alinham a padrões de interação específicos e restrições químicas sem a necessidade de retreinar o modelo.

No entanto, os autores permanecem modestos quanto às limitações atuais. Eles reconhecem que os ligantes gerados ainda exibem energias de deformação mais altas do que as estruturas co-cristalinas de referência, que a modelagem de hidrogênios explícitos continua sendo um desafio devido à escassez de dados, e que o modelo atual opera em estruturas proteicas estáticas, ignorando a flexibilidade conformacional. Eles veem esses modelos como ferramentas de ideação que complementam, em vez de substituir, a expertise de química medicinal e a validação experimental.