Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

O artigo apresenta o Felis, um kit de ferramentas de código aberto e automatizado para cálculos de energia livre de ligação absoluta (ABFE) que, quando combinado com o campo de força ByteFF, alcança desempenho de classificação comparável aos métodos de energia livre relativa (RBFE) em grandes conjuntos de dados, incluindo o desafiador KRAS(G12D), sem necessidade de ajustes personalizados.

O essencial

Imagine que você é um chef de cozinha tentando descobrir qual ingrediente combina perfeitamente com um prato especial. No mundo da medicina, os "ingredientes" são pequenas moléculas (fármacos) e o "prato" é uma proteína dentro do nosso corpo que causa uma doença. O grande desafio é prever com precisão quão forte será a "pegada" desse ingrediente no prato antes mesmo de cozinhar (testar no laboratório).

Este artigo apresenta uma nova ferramenta chamada Felis, criada por pesquisadores da ByteDance, que funciona como um super-robô de previsão de sabores para a descoberta de remédios.

Aqui está a explicação do que eles fizeram, usando analogias do dia a dia:

1. O Problema: A "Prova de Fogo" é cara e lenta

Antes, os cientistas usavam dois métodos principais para testar esses ingredientes:

• O Método "Relativo" (RBFE): É como comparar dois ingredientes que são quase idênticos (por exemplo, sal grosso vs. sal fino). É fácil e rápido, mas só funciona se os ingredientes forem muito parecidos. Se você quiser testar um ingrediente totalmente novo (como trocar sal por açúcar), esse método falha.
• O Método "Absoluto" (ABFE): É como testar cada ingrediente do zero, sem comparação. É o método mais rigoroso e teoricamente perfeito, mas é extremamente caro e lento. É como tentar prever o sabor de um prato cozinhando cada versão dele em uma panela gigante, gastando dias e muita energia. Por isso, ninguém usava isso em larga escala para encontrar novos remédios.

2. A Solução: O Robô "Felis"

Os autores criaram o Felis, um kit de ferramentas de software gratuito e automatizado. Pense no Felis como um cozinheiro robô de alta velocidade que consegue:

• Testar ingredientes totalmente diferentes (não precisa que sejam parecidos).
• Fazer o trabalho de "cozinha" (simulações de computador) de forma automática, sem precisar de um chef humano ajustando cada detalhe.
• Ser rápido o suficiente para testar centenas de ingredientes de uma vez.

3. O Grande Teste: A "Feira de Sabores"

Para provar que o Felis funciona, eles não fizeram apenas um teste pequeno. Eles organizaram uma mega-feira de sabores com:

• 43 tipos de "pratos" diferentes (proteínas).
• 859 ingredientes diferentes (ligantes).

O resultado? O robô Felis foi capaz de classificar os ingredientes quase tão bem quanto os melhores métodos antigos (que só funcionavam para ingredientes parecidos). E o mais impressionante: ele fez isso sem precisar de ajustes manuais. Foi como se o robô tivesse chegado na cozinha, olhado para os ingredientes e dito: "Ok, eu sei exatamente como cozinhar isso", sem que ninguém tivesse ensinado a ele as receitas específicas para aquele dia. Isso é chamado de "zero-shot" (tiro zero), ou seja, ele aprendeu a regra geral e aplicou em qualquer situação.

4. O Desafio Final: O "Prato Explosivo" (KRAS)

Para testar se o robô aguentava situações difíceis, eles o colocaram para trabalhar em um caso famoso e complicado: o câncer de pâncreas (KRAS).

• Imagine que este prato é extremamente pegajoso e elétrico (muito carregado).
• A maioria dos robôs antigos se perdia ou explodia tentando cozinhar isso.
• O Felis, no entanto, conseguiu prever corretamente quais ingredientes funcionariam, mesmo com essa "eletricidade" toda. Ele mostrou que consegue lidar com cenários complexos onde outros falham.

5. Por que isso é importante?

Antes, usar esse método de "cozinha absoluta" era como tentar construir um arranha-céu usando apenas martelos e pregos: possível, mas demorado demais para ser útil no dia a dia.
Com o Felis, é como se eles tivessem inventado uma guindaste automatizado. Agora, os cientistas podem:

1. Testar milhares de candidatos a remédios rapidamente.
2. Descobrir novos tipos de remédios que não se parecem com os antigos (o que era impossível antes).
3. Economizar milhões de dólares e anos de pesquisa, filtrando apenas os melhores candidatos para testes reais em laboratório.

Em resumo:
Os autores criaram um "GPS de descoberta de remédios" que não precisa de mapas pré-desenhados. Ele consegue navegar sozinho por terrenos desconhecidos, testando milhões de combinações de remédios e doenças com uma precisão que antes só era possível em testes muito pequenos e caros. Isso abre as portas para encontrar curas mais rápido e para doenças mais difíceis.

Resumo técnico

Título: Desenvolvimento e Benchmarks em Grande Escala de um Toolkit de Energia Livre de Ligação Absoluta (ABFE) para Proteína-Ligante

1. O Problema

O cálculo preciso da energia livre de ligação (binding free energy) é fundamental para a descoberta de fármacos assistida por computador. Embora os métodos de Energia Livre de Ligação Relativa (RBFE) sejam o padrão da indústria devido à sua precisão e eficiência quando os ligantes compartilham um esqueleto químico comum (scaffold), eles possuem limitações:

• Restrições de Scaffold: O RBFE exige que os ligantes sejam congeneres (compartilhem uma estrutura base), o que dificulta sua aplicação em estágios iniciais de descoberta (hit discovery) onde a diversidade química é alta (ex: "scaffold hopping").
• Custo e Validação da ABFE: A Energia Livre de Ligação Absoluta (ABFE) resolve o problema do scaffold, calculando a afinidade de cada ligante independentemente. No entanto, sua adoção em larga escala tem sido impedida por:
  • Custos computacionais elevados devido à necessidade de amostragem extensiva.
  • Falta de validação em grandes conjuntos de dados (benchmarks).
  • Complexidade na configuração de protocolos (definição de restrições, cronogramas alquímicos) que frequentemente exigem ajuste manual e conhecimento especializado.

2. Metodologia

Os autores desenvolveram o Felis (Free Energy of Ligand-protein InteractionS), um toolkit de código aberto, automatizado e escalável para cálculos de ABFE de alto rendimento.

• Protocolo de Simulação:

  • Utiliza o protocolo padrão de dupla aniquilação (double-decoupling), onde o ligante é desacoplado do solvente e acoplado ao sítio de ligação da proteína.
  • Restrições: Implementa restrições geométricas estilo Boresch entre átomos âncora da proteína e do ligante para manter a pose de ligação durante a simulação. A seleção dos átomos âncora é automatizada, priorizando resíduos em estruturas secundárias estáveis e interações específicas (iônicas, pontes de hidrogênio).
  • Tratamento de Carga: Para ligantes carregados, o sistema neutraliza a carga fracionária gerada durante a transformação alquímica utilizando moléculas de água "alquímicas" (alchemical waters).
  • Forças de Campo: Utiliza o campo de forças AMBER ff14SB para proteínas e o ByteFF25 (desenvolvido internamente pela ByteDance) para ligantes e cofatores. O ByteFF25 mantém parâmetros não ligados (cargas e vdW) semelhantes ao GAFF2, mas com parâmetros ligados treinados em um conjunto de dados de química quântica mais extenso.
  • Arquitetura de Hardware: O sistema é projetado para GPUs, utilizando um design sem comunicação cruzada entre GPUs (no cross-GPU communication). O caminho alquímico é dividido em segmentos sobrepostos atribuídos a GPUs individuais, permitindo execução elástica em nuvem e eliminando gargalos de sincronização.

• Configuração "Zero-Shot":

  • Um ponto crucial da metodologia é que todos os resultados foram gerados em um modo estrito "zero-shot". Isso significa que não houve ajuste de parâmetros do campo de forças ou refinamento de cronogramas alquímicos específicos para os sistemas de benchmark. O modelo foi aplicado diretamente após o treinamento independente.

3. Principais Contribuições

1. Ferramenta Automatizada (Felis): Apresentação de um toolkit robusto que automatiza desde a preparação da estrutura até a análise de convergência, reduzindo a barreira de entrada para cálculos de ABFE.
2. Benchmark em Grande Escala: Avaliação do Felis em um conjunto de dados massivo composto por 43 alvos proteicos e 859 ligantes únicos, superando em tamanho a maioria dos benchmarks de ABFE publicados anteriormente (que frequentemente cobriam apenas alguns alvos).
3. Validação de Caso de Uso Desafiador: Estudo de caso no sistema KRAS(G12D), um alvo oncológico de alto interesse com um bolso de ligação raso e um ambiente de carga complexo (incluindo cofatores altamente carregados e ligantes dicatônicos), demonstrando a robustez do método em cenários difíceis.
4. Comparação Direta com RBFE: Demonstração de que a ABFE pode atingir desempenho de classificação (ranking) comparável aos métodos de RBFE de última geração, sem a necessidade de ligantes congeneres.

4. Resultados

• Desempenho de Ranking: No conjunto de 43 alvos, o Felis-ABFE (com simulações de 3 ns a 5 ns e 3 réplicas) alcançou estatísticas de ranking (Spearman's $\rho$ e Kendall's $\tau$) comparáveis ao método de referência FEP+ RBFE (que utilizou 20 ns de simulação).
  • O Felis demonstrou correlações de $\rho \approx 0.6$ e $\tau \approx 0.4$ em muitos sistemas, aproximando-se do desempenho do FEP+ RBFE ($\rho \approx 0.7$, $\tau \approx 0.5$).
  • Os erros médios absolutos (MAE) e quadráticos (RMSE) desviados (debiased) foram próximos aos do FEP+.
• Eficiência Computacional: O Felis alcançou desempenho competitivo com simulações significativamente mais curtas (3-5 ns vs. 20 ns do FEP+), graças à estratégia de múltiplas réplicas curtas para suprimir ruído estatístico e à arquitetura de GPU otimizada.
• Caso KRAS(G12D):
  • Para o ligante MRTX1133 (altamente potente e dicatônico), simulações de 10 ns foram necessárias para estabilizar a energia livre absoluta.
  • O método conseguiu prever corretamente a ordem de afinidade para a série de 10 ligantes, com Spearman's $\rho = 0.76$ e Kendall's $\tau = 0.64$ na simulação de 10 ns.
  • Observou-se um deslocamento sistemático (offset) nos valores absolutos de $\Delta G$ em relação à experiência, atribuído à energia livre de reorganização da proteína, mas que não afetou a capacidade de classificação relativa.
• Análise de Sensibilidade: Testes comparando diferentes modelos de carga (AM1-BCC vs. ABCG2) no ByteFF25 não mostraram diferenças estatisticamente significativas no desempenho de ranking para este conjunto de dados.

5. Significado e Conclusão

Este trabalho representa um marco na computação de energia livre, demonstrando que a ABFE é viável como uma ferramenta de produção rotineira para o design de fármacos baseado em estrutura.

• Viabilidade Industrial: Ao provar que a ABFE pode competir com o RBFE em precisão de ranking, mas com a vantagem de não depender de scaffolds comuns, o Felis abre portas para a triagem virtual de bibliotecas químicas mais diversas e complexas.
• Padrão "Zero-Shot": A capacidade de obter resultados de alta qualidade sem ajuste manual de parâmetros para cada sistema é um avanço crítico para a automação e escalabilidade em grandes empresas farmacêuticas.
• Futuro: Embora promissor, os autores reconhecem que a precisão absoluta ainda pode ser melhorada com campos de forças mais avançados (incluindo polarizabilidade), melhores métodos de amostragem (para lidar com a reorganização da proteína) e a integração de modelos de aprendizado de máquina.

Em resumo, o Felis estabelece um novo padrão para ferramentas de ABFE, combinando rigor teórico, automação robusta e validação em escala industrial, tornando-se uma ferramenta pronta para uso ("ready-to-use") para a priorização de candidatos a fármacos.