Resumo Técnico: Avaliação Comparativa de Ferramentas de Código Aberto para Descoberta de Antivirais In Silico

Declaração do Problema

O artigo aborda a lacuna crítica na preparação para pandemias: a falta de antivirais aprovados pela FDA para a maioria das famílias virais com potencial pandêmico. Embora as vacinas sejam uma defesa primária, elas enfrentam limitações, incluindo longos prazos de desenvolvimento, hesitação pública e a incapacidade de proteger contra patógenos difíceis de vacinar (por exemplo, HIV, VSR). Além disso, a imunidade adaptativa leva semanas para se desenvolver, deixando uma janela de vulnerabilidade.

Os autores argumentam que o reposicionamento de fármacos e o design de combinações antivirais oferecem o caminho mais rápido para implementar tratamentos eficazes durante um surto. No entanto, essa estratégia é dificultada por:

1. Problemas de Qualidade de Dados: Conjuntos de dados públicos existentes (por exemplo, BindingDB) contêm ruído significativo, incluindo poliproteínas virais não processadas que são inadequadas para treinamento de aprendizado de máquina (ML).
2. Variância Metodológica: Há uma falta de benchmarks abrangentes comparando ferramentas computacionais de código aberto (baseadas em ML, docking e híbridas) especificamente em alvos de proteínas virais.
3. Barreiras Econômicas: Os incentivos farmacêuticos para o reposicionamento são baixos devido à exclusividade de mercado limitada e à complexidade de licenciamento de terapias combinadas.

Metodologia

1. Curadoria de Dados e Processamento de Poliproteínas

Os autores construíram um conjunto de dados personalizado e de alta qualidade com 43.005 medições de ligação proteína-ligante viral agregando dados do BindingDB, SMACC e Heli-SMACC.

• Desafio das Poliproteínas: Uma descoberta crítica foi que 31% dos dados de ligação viral no BindingDB exigiam que as sequências de poliproteínas fossem cuidadosamente divididas antes do uso. Muitas entradas listavam alvos como grandes poliproteínas (por exemplo, ORF1ab do SARS-CoV-2) em vez dos domínios funcionais específicos (por exemplo, Proteína Principal) utilizados nos ensaios.
• Resolução: A equipe desenvolveu uma função de mapeamento para vincular fatias de poliproteínas e nomes de ligantes a alvos proteicos específicos, utilizando LLMs (Haiku da Anthropic) para verificar referências.
• Composição do Conjunto de Dados: O conjunto de dados final inclui 43.005 registros para treinamento e um conjunto de teste retido de 280 registros (apenas valores de Ki/Kd) para ajuste inicial do modelo.

2. Ajuste Fino do Modelo

Os autores ajustaram finamente o modelo DrugFormDTA (Khokhlov et al., 2025), um modelo de ML baseado em sequência que utiliza Chemformer para moléculas e ESM-2 para proteínas.

• Estratégia de Treinamento: Eles treinaram quatro modelos separados e os ensemblearam, replicando a arquitetura original. Testaram tanto as funções de perda MSE quanto Huber com diferentes cronogramas de taxa de aprendizado.
• Objetivo: Adaptar um modelo DTA geral especificamente para proteínas virais, abordando o viés nos dados de treinamento originais que favoreciam fortemente proteínas de mamíferos.

3. Estrutura de Benchmarking

Os autores avaliaram 15 ferramentas de código aberto em um conjunto de teste maior e diversificado de 853 compostos antivirais abrangendo 16 alvos proteicos de 10 espécies virais (incluindo SARS-CoV-2, HIV, HCV, Dengue, Zika, Influenza).

• Categorias de Ferramentas:
  • ML/Baseado em Sequência: DrugFormDTA, Boltz-2, GatorAffinity, Interformer, DrugCLIP, Uni-Mol+GNINA.
  • Docking/Baseado em Física: GNINA, FlowDock, DiffDock, Protenix-Dock, AutoDock-GPU, Vina-GPU, Uni-Dock.
• Métricas: O desempenho foi avaliado usando correlação de Pearson ($r$), correlação de posto de Spearman ($\rho$), $Q^2$, RMSE, MAE, AUROC e BEDROC.
• Tratamento de Dados: Pontuações brutas foram recalibradas linearmente para corresponder às unidades $pK_d$ para garantir comparação justa entre ferramentas com diferentes escalas de saída.

Resultados Principais

1. Impacto da Limpeza de Dados e Ajuste Fino

• Desempenho do DrugFormDTA: O ajuste fino do DrugFormDTA no conjunto de dados antiviral limpo e dividido em poliproteínas melhorou significativamente o desempenho. A correlação de Pearson ($r$) aumentou de 0,50 (modelo base) para 0,70 (ensemble ajustado).
• Necessidade de Divisão de Poliproteínas: Os resultados sublinham que a falha em dividir poliproteínas nos dados de treinamento degrada severamente a generalizabilidade do modelo para alvos virais específicos.

2. Benchmarking de Ferramentas de Código Aberto

No conjunto de teste de 853 compostos, o desempenho variou significativamente por tipo de ferramenta e alvo:

• Melhores Desempenhos em ML: Boltz-2 e o DrugFormDTA ajustado finamente ocuparam os primeiros lugares entre as abordagens baseadas em ML.
  • O DrugFormDTA ajustado finamente alcançou $r = 0,701$.
  • O Boltz-2 alcançou $r = 0,316$ no geral, embora tenha desempenhado excepcionalmente bem na Transcriptase Reversa do HIV ($r = 0,68$), provavelmente devido à abundância de dados de treinamento para aquela proteína específica.
• Melhores Desempenhos em Docking: GNINA (pontuação CNN) performou melhor entre as abordagens de docking ($r = 0,302$), superando o Vina padrão e outras ferramentas de docking rígido.
• Tendências Gerais:
  • Variância: Nenhuma ferramenta única performou melhor em todas as proteínas virais. O desempenho foi altamente dependente do alvo (por exemplo, o Boltz-2 lutou com a MPro do SARS-CoV-2, provavelmente devido ao problema de poliproteína em seus dados de treinamento).
  • Sequência vs. Estrutura: Modelos apenas de sequência (DrugFormDTA) geralmente superaram métodos de docking baseados em estrutura neste benchmark específico, embora ferramentas de docking como GNINA permanecessem competitivas.
  • Taxas de Falha: Algumas ferramentas (por exemplo, DiffDock nos testes iniciais dos autores) falharam em posicionar ligantes em sítios ativos sem orientação específica de bolso, resultando em correlação próxima de zero.

3. Compilação de Recursos

Os autores compilaram e lançaram:

• Uma biblioteca de 2.096 drogas pequenas aprovadas e 3.311 drogas aprovadas no total (incluindo aprovações internacionais).
• Um conjunto de dados abrangente de compostos GRAS (Geralmente Reconhecidos como Seguros) e produtos naturais derivados do COCONUT, LOTUS, FooDB e outras fontes.
• Um painel público em antivirals-database.radvac.org contendo antivirais investigacionais e aprovados.

Significado e Alegações

O artigo posiciona-se como um recurso fundamental para a comunidade de código aberto na descoberta de antivirais. Suas principais alegações são:

1. Integridade de Dados é Paramount: O estudo demonstra que o princípio "lixo entra, lixo sai" é particularmente agudo na descoberta de drogas virais devido às complexidades das poliproteínas. Os autores afirmam que a curadoria cuidadosa (divisão de poliproteínas) é um pré-requisito para treinar modelos de ML eficazes.
2. Viabilidade de Código Aberto: O trabalho fornece evidências empíricas de que ferramentas de código aberto, quando devidamente avaliadas e ajustadas finamente em dados relevantes, podem alcançar desempenho comparável ou superior aos padrões comerciais para alvos virais específicos.
3. Fundação para Resposta Rápida: Ao fornecer um conjunto de dados limpo, um benchmark de ferramentas e uma biblioteca de compostos reposicionáveis, os autores visam reduzir a barreira de entrada para pesquisadores desenvolvendo pipelines rápidos de reposicionamento de drogas e terapias combinadas.
4. Escopo Moderado: Os autores afirmam explicitamente que, embora seu trabalho forneça uma fundação, não alega ter resolvido o problema do design de drogas de novo. Eles enfatizam que o campo ainda carece de uma única abordagem "melhor" e que a expertise em química medicinal permanece crucial para a seleção final. Eles notam que seus benchmarks são específicos para os conjuntos de dados e alvos testados e não garantem generalização para todos os futuros surtos virais sem adaptação adicional.

O artigo conclui que investir nessas tecnologias e técnicas é essencial para a preparação futura para pandemias, permitindo a identificação rápida de antivirais e o design de combinações de drogas sinérgicas.