Resumo Técnico: CombiMOTS

1. O Problema (Contexto e Desafios)

A descoberta de fármacos tradicionais foca no paradigma de alvo único, o que pode levar à resistência bacteriana ou tumoral e a efeitos colaterais devido a vias de sinalização compensatórias. Uma alternativa promissora é o desenvolvimento de fármacos de alvo duplo (dual-target), que interagem simultaneamente com duas proteínas relacionadas, aumentando a eficácia e a segurança.

No entanto, a geração computacional dessas moléculas enfrenta dois desafios críticos:

1. Otimização Multi-Objetivo Complexa: A maioria dos modelos atuais tenta transformar um problema de múltiplos objetivos (afinidade com o alvo A, afinidade com o alvo B, propriedades físico-químicas, etc.) em um único valor escalar (uma única nota). Isso falha em capturar os trade-offs (equilíbrios) essenciais entre objetivos conflitantes, resultando em moléculas que podem ser excelentes para um alvo, mas péssimas em farmacocinética.
2. Sintetizabilidade: Muitos modelos generativos propõem estruturas químicas "ideais" no papel, mas que são impossíveis de serem fabricadas em laboratório.

2. Metodologia Proposta (CombiMOTS)

Os autores propõem o CombiMOTS, um framework baseado em Busca em Árvore Monte Carlo de Pareto (PMCTS) que opera em um espaço de busca fragmentado e sinteticamente viável.

A. Redução do Espaço de Busca (Synthesizable Search Space)

Em vez de gerar átomos um a um, o CombiMOTS utiliza uma abordagem baseada em fragmentos:

• Extração de Fragmentos (FGIB): Utiliza o Fragment-wise Graph Information Bottleneck para extrair subestruturas de moléculas conhecidas que são altamente informativas para os alvos específicos.
• Mapeamento para Blocos de Construção (Building Blocks): Esses fragmentos são mapeados para blocos de construção reais e disponíveis comercialmente (base de dados Enamine REAL Space). Isso garante que as moléculas geradas possam ser montadas através de reações químicas conhecidas.

B. Pareto Monte Carlo Tree Search (PMCTS)

O núcleo do algoritmo é uma extensão do MCTS tradicional para a otimização de Pareto:

• Vetorização de Objetivos: Em vez de uma recompensa escalar, o modelo utiliza vetores de propriedades.
• Seleção de Pareto (PUCB): Durante a navegação na árvore, o algoritmo utiliza uma fórmula de Upper Confidence Bound (UCB) vetorizada. A seleção de nós não é feita apenas pelo maior valor, mas pela identificação da Fronteira de Pareto Local (conjunto de soluções não dominadas), permitindo explorar o equilíbrio entre afinidade de docking, drug-likeness (QED) e acessibilidade sintética (SA).
• Expansão Baseada em Reações: A árvore cresce aplicando regras de reação química aos blocos de construção, garantindo que cada "nó" da árvore represente um caminho sintético real.

3. Principais Contribuições

1. Framework PMCTS para Drug Design: Uma nova aplicação de otimização de Pareto em busca de árvore para o design de fármacos de alvo duplo.
2. Abordagem Combinatória e Sintetizável: Integração de fragmentos informativos com blocos de construção industriais, garantindo que o design seja orientado pela síntese.
3. Novos Datasets: Curadoria e liberação de novos conjuntos de dados para pares de alvos importantes: EGFR-MET (câncer de pulmão) e PIK3CA-mTOR (câncer).
4. Demonstração de Trade-offs: Prova de que o modelo consegue encontrar soluções que equilibram múltiplos objetivos conflitantes de forma superior aos métodos de escalonamento escalar.

4. Resultados e Discussão

Os experimentos foram realizados em três pares de alvos (GSK3β-JNK3, EGFR-MET e PIK3CA-mTOR) e comparados com modelos de estado da arte (como REINVENT, MARS e RationaleRL).

• Desempenho Superior: O CombiMOTS superou consistentemente os baselines em métricas de diversidade, novidade e originalidade.
• Equilíbrio de Propriedades: Enquanto os modelos concorrentes tendiam a ser excelentes em um objetivo e péssimos em outro (ex: alta afinidade, mas baixa sintetizabilidade), o CombiMOTS gerou moléculas que ocupam a Fronte de Pareto, apresentando o melhor equilíbrio possível entre docking score, QED e SA.
• Validação de Caso (Case Study): As moléculas geradas para o par GSK3β-JNK3 mostraram interações de ligação (docking) consistentes com padrões biológicos conhecidos (ex: interações na região hinge das proteínas).
• Eficiência: O modelo mostrou-se mais eficiente computacionalmente do que outros métodos de busca de Pareto (como Mothra ou MolSearch) para este domínio específico.

5. Significância

O CombiMOTS representa um avanço importante para a química medicinal computacional. Ao tratar o design de fármacos não como um problema de "maximizar uma nota", mas como um problema de "encontrar o melhor equilíbrio em um espaço de possibilidades", o framework oferece uma ferramenta muito mais próxima da realidade do laboratório. Ele permite que químicos medicinais explorem candidatos que não são apenas potentes contra dois alvos, mas que também são diversificados, novos e, crucialmente, fabricáveis.