Morphology-Aware Peptide Discovery via Masked Conditional Generative Modeling

Título: Descoberta de Peptídeos Consciente de Morfologia via Modelagem Generativa Condicional Mascarada

Autores: Nuno Costa e Julija Zavadlav (TUM School of Engineering and Design, Alemanha)

1. O Problema

O auto-empacotamento (self-assembly) de peptídeos é uma estratégia poderosa para o design de materiais biocompatíveis e de baixa toxicidade. No entanto, existem dois desafios principais:

1. Espaço de Sequência Vasto: O espaço combinatório de sequências de peptídeos é imenso, tornando a triagem experimental ou racional intractável.
2. Controle de Morfologia: Embora existam preditores de propensão à agregação, é extremamente difícil prever e controlar a morfologia do agregado (ex: fibras, esferas, tubos, folhas) apenas com base na sequência. A morfologia depende de condições experimentais e não possui rótulos padronizados em grandes conjuntos de dados.
3. Limitações de Modelos Atuais: Modelos generativos existentes focam em atividades funcionais (ex: antimicrobianos) ou usam otimização heurística que tende a convergir para um conjunto pequeno de motivos de alta aptidão, reduzindo a diversidade e a exploração de novos motivos de auto-empacotamento.

2. Metodologia: O Pipeline PepMorph

Os autores introduzem o PepMorph, um pipeline de descoberta de peptídeos end-to-end que gera novas sequências tendentes a agregar, com a morfologia do agregado direcionada por descritores de peptídeos isolados (monômeros).

A. Curadoria de Dados (PepMorph Dataset)

• Fontes: Integração de dados existentes de propensão à agregação (Wang et al., Teijlingen & Tuttle) e geração de sequências aleatórias.
• Tamanho: ~161.000 peptídeos únicos (comprimento de 3 a 10 aminoácidos).
• Descritores:
  • Propensão à Agregação (AP): Razão de área de superfície acessível ao solvente (SASA) final/inicial de simulações de Dinâmica Molecular (DM) de baixa resolução (Coarse-Grained - CG).
  • Descritores de Morfologia (Proxies): Calculados a partir de estruturas 3D preditas de monômeros isolados usando o PEP-FOLD. Incluem:
    • Presença de fita-$\beta$ ($\beta$-strand).
    • Momento hidrofóbico (mede a anfifilicidade).
    • Carga líquida.
• Tratamento de Dados: O conjunto de dados contém muitos valores ausentes (ex: descritores 3D não disponíveis para peptídeos muito curtos).

B. Modelo Generativo: Transformer-based CVAE com Mascaramento

O núcleo do sistema é um Autoencoder Variacional Condicional (CVAE) baseado em Transformers, adaptado para permitir condicionamento parcial.

• Mecanismo de Mascaramento: Inspirado no VAEAC, o modelo aceita um vetor de descritores $c$ e uma máscara binária $m$. O usuário pode especificar apenas um subconjunto de propriedades (ex: "quero uma fibra com carga neutra", ignorando o momento hidrofóbico).
• Arquitetura:
  • Codificador: Mapeia a sequência para um espaço latente $z$.
  • Prior Condicional Mascarado: Um MLP resume os descritores observados e a máscara em um "resumo de condição" ($s$), que condiciona a distribuição a priori $p(z|s)$.
  • Decodificador: Um Transformer autoregressivo que gera a sequência peptídica $y$ condicionada a $z$ e $s$.
• Treinamento: O modelo é treinado com uma função de perda que inclui reconstrução da sequência, divergência KL, e termos auxiliares para reconstruir a máscara e os valores dos descritores observados, evitando a imputação de dados ausentes.

C. Pipeline de Validação e Triagem

1. Geração: Amostragem de sequências condicionadas a janelas de descritores específicas para alvos esféricos ou fibrilares.
2. Filtragem Dupla:
   • Filtro 1: Preditores de AP e auto-empacotamento (SA/no-SA) treinados separadamente para remover sequências que não agregam.
   • Filtro 2: Predição de estrutura 3D (PEP-FOLD) e recálculo dos descritores para garantir que estão dentro da tolerância ($\pm 10\%$) dos alvos condicionados.
3. Validação Final (CG-MD): As sequências filtradas são submetidas a simulações de Dinâmica Molecular de Baixa Resolução (Coarse-Grained) usando o campo de forças MARTINI 3 para verificar a agregação e a morfologia real.
   • Métrica de Morfologia: Razão de Momentos de Inércia (RMOI). Valores baixos ($\le 0.35$) indicam fibras; valores altos ($\ge 0.75$) indicam esferas.

3. Resultados Principais

• Desempenho Generativo:
  • O modelo gera sequências altamente novas (apenas ~2,3% de correspondência exata com o conjunto de treinamento) e diversas (baixa similaridade global <10%).
  • O modelo mantém alta fidelidade às condições impostas (55% de correspondência geral em todos os descritores), mesmo com condicionamento parcial.
• Validação por Simulação (CG-MD):
  • Taxa de Sucesso: Das sequências selecionadas e validadas, 100% agregaram e 83% adotaram a morfologia alvo (esférica ou fibrilar) conforme verificado visualmente e via RMOI.
  • Eficiência: O condicionamento durante a geração aumentou drasticamente a eficiência. Sem condicionamento de morfologia (apenas filtragem pós-geração), a taxa de sucesso caiu para 3-7% (ou 0% para esferas).
• Análise de Controle:
  • Grupos de controle que falharam nos filtros de descritores (mas passaram no filtro de agregação) tiveram taxas de sucesso morfológico muito menores, provando que os descritores de monômero são eficazes como proxies para guiar a morfologia.
  • Simulações de átomos completos (All-Atom) em casos específicos confirmaram que a alta hidrofobicidade pode levar a fibras mesmo em alvos esféricos, destacando a necessidade de refinamento futuro dos descritores.

4. Contribuições Chave

1. Controle de Morfologia via Proxies: Demonstra que descritores de monômeros isolados (estrutura 3D, momento hidrofóbico) podem ser usados como sinais eficazes para direcionar a morfologia de agregados supramoleculares em modelos generativos.
2. Arquitetura de Condicionamento Flexível: Implementação de um CVAE com mecanismo de mascaramento que permite aos usuários especificar subconjuntos arbitrários de propriedades, superando a rigidez de modelos condicionais tradicionais.
3. Pipeline Integrado: Criação de um fluxo de trabalho completo, desde a curadoria de dados até a validação por simulação de DM, capaz de descobrir peptídeos funcionais com alta taxa de sucesso.
4. Conjunto de Dados Aberto: Disponibilização do dataset PepMorph (~161k peptídeos) e do código-fonte para a comunidade.

5. Significado e Impacto

O trabalho preenche uma lacuna crítica na descoberta de materiais peptídicos. Enquanto a maioria dos modelos generativos foca em propriedades funcionais (como atividade antimicrobiana), o PepMorph permite o design orientado à estrutura, onde a forma do material (fibra vs. esfera) é um objetivo explícito.

Isso é crucial para aplicações biomédicas (ex: veículos de entrega de fármacos que requerem esferas vs. scaffolds de engenharia de tecidos que requerem fibras). A abordagem "consciente de morfologia" reduz a dependência de tentativa e erro experimental, oferecendo uma rota escalável para o desenvolvimento de materiais supramoleculares funcionais. O estudo também destaca a importância de validações rigorosas via simulação e a necessidade de refinar os proxies de morfologia para lidar com casos limites e variações de condições experimentais.