CA-DEL: An Open Multi-Target, Multi-Modal Benchmark for Learning from DNA-Encoded Library Screens

Resumo Técnico: Benchmark CA-DEL para Triagens de Bibliotecas Codificadas por DNA

Declaração do Problema
A aplicação de Aprendizado de Máquina (ML) na descoberta de fármacos é fundamentalmente limitada pela natureza dos dados de Bibliotecas Codificadas por DNA (DEL). Embora a tecnologia DEL permita a triagem de bilhões de moléculas, a principal saída experimental — contagens de leituras de sequenciamento — é um proxy indireto e ruidoso da verdadeira afinidade de ligação molecular. Este sinal é confundido por ligação não específica, impurezas de síntese e vieses de amplificação por PCR. Além disso, os benchmarks públicos existentes para análise de DEL sofrem de limitações críticas: frequentemente dependem exclusivamente de escores de enriquecimento ruidosos sem validação por verdade fundamental, carecem de informações estruturais 3D de alta granularidade e não abordam o desafio específico de prever a seletividade entre isoformas proteicas altamente homólogas. Consequentemente, há uma escassez de benchmarks robustos para avaliar modelos capazes de remover ruídos desses sinais e generalizar a partir de dados de triagem de alto rendimento para compostos otimizados como líderes.

Metodologia e Construção do Conjunto de Dados
Para abordar essas lacunas, os autores introduzem o CA-DEL, um conjunto de dados de benchmark aberto e multidimensional focado em isoformas da Anidrase Carbônica (CA). A construção do conjunto de dados envolve três componentes principais:

1. Desafio de Seletividade Multi-Alvo: O benchmark visa três isoformas humanas de CA: CAII (um anti-alvo ubíquo), e CAIX e CAXII (alvos específicos de câncer). Apesar da alta homologia no sítio ativo, essas proteínas exigem que os modelos aprendam características estruturais de alta granularidade para distinguir a ligação específica à isoforma, simulando o imperativo clínico do design de inibidores seletivos.
2. Paradigma de Avaliação Sim-to-Real: O conjunto de dados é estruturado para bridar a lacuna entre triagem e validação.
   • Conjuntos de Treinamento: Derivados de duas bibliotecas DEL distintas (CAS-DEL e DOS-DEL-1), contendo aproximadamente 360.000 compostos com dados de fator de enriquecimento.
   • Conjuntos de Teste: Obtidos inteiramente do ChEMBL, compreendendo moléculas semelhantes a fármacos com afinidades de ligação precisas e experimentalmente determinadas ($K_i$).
   • Mudança Distribucional: Um desafio deliberado Fora da Distribuição (OOD) é projetado, onde os dados de treinamento (bibliotecas combinatórias) e os dados de teste (ChEMBL) ocupam regiões distintas e não sobrepostas do espaço químico, diferindo em propriedades físico-químicas (por exemplo, QED, peso molecular).
3. Geração de Representações Multimodais: Para incorporar o contexto estrutural 3D, os autores estabeleceram um pipeline gerando conformações proteína-ligante. Utilizando estruturas PDB de alta resolução e o SMINA para acoplamento (docking), geraram conjuntos de até nove poses de ligação plausíveis para cada par ligante-proteína. Esta abordagem desacopla o desempenho do modelo da não confiabilidade de escores únicos de acoplamento, fornecendo aproximações discretas robustas da distribuição posterior conformacional.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

• Benchmark de Seletividade Multi-Alvo: Um campo de testes especializado para avaliar modelos em isoformas de CA altamente homólogas, abordando o desafio da seletividade em mecanismos catalíticos conservados.
• Representações Moleculares Multimodais: Integração de topologia 2D tradicional com conformações proteína-ligante 3D geradas sistematicamente para mais de 200.000 compostos, permitindo avaliação em larga escala de aprendizado profundo geométrico.
• Desafio OOD Validado por Verdade Fundamental: Um design de tarefa que testa a generalização a partir de sinais de enriquecimento DEL ruidosos para valores precisos de $K_i$ do ChEMBL, espelhando a otimização real de hit para líder.
• Métricas de Avaliação Práticas: Introdução da análise de taxa de acerto Top-N para avaliar a utilidade do modelo em descobertas com recursos limitados, indo além das métricas de correlação tradicionais para medir a porcentagem de verdadeiros hits entre os compostos melhor classificados.

Resultados e Análise
Os autores avaliaram uma gama de modelos, desde baselines físico-químicos até arquiteturas avançadas de aprendizado profundo, utilizando correlação de postos de Spearman ($\rho$) e taxas de acerto Top-N.

• Hierarquia de Desempenho: Os resultados demonstram uma hierarquia clara onde modelos de aprendizado profundo conscientes de 3D (especificamente DEL-Dock e DEL-Ranking) superam significativamente os modelos baseados em 2D e métodos clássicos de acoplamento. Na métrica crítica SubSp (correlação com a verdadeira $K_i$), os modelos 3D alcançaram valores tão fortes quanto -0,323, enquanto as bases 2D e o acoplamento clássico mostraram correlações próximas de zero ou positivas.
• Capacidade de Remoção de Ruído: O sucesso dos modelos 3D sugere que eles aprendem características fundamentais de interação biofísica em vez de artefatos estatísticos específicos da biblioteca, removendo efetivamente o ruído dos sinais DEL.
• Enriquecimento Top-N: Na análise prática de taxa de acerto Top-N, os modelos 3D dominaram consistentemente os primeiros lugares, concentrando com sucesso matéria química potente no início da lista, enquanto os modelos 2D mostraram degradação acentuada de desempenho.
• Limites de Generalização: Experimentos zero-shot revelaram limitações significativas. Modelos treinados em uma única estrutura cristalina ou isoforma alvo lutaram para generalizar para conformações não vistas ou alvos homólogos (por exemplo, de CAIX para CAXII), frequentemente resultando em classificações invertidas. Isso indica que os modelos 3D atuais permanecem sensíveis a variações conformacionais e podem superajustar a estados rígidos específicos ou características específicas da biblioteca.

Significado e Afirmações
O artigo afirma que o CA-DEL fornece uma plataforma abrangente para desenvolver e avaliar modelos de aprendizado de máquina conscientes de 3D e focados em seletividade. Ao estabelecer um paradigma rigoroso de avaliação "Sim-to-Real", o benchmark valida a hipótese de que a modelagem geométrica explícita é essencial para destilar sinais de ligação verdadeiros a partir de dados DEL ruidosos. Os autores postulam que, embora as abordagens atuais de última geração mostrem promessa, as limitações observadas na generalização zero-shot e na seletividade de alta granularidade destacam a necessidade de pesquisas futuras em arquiteturas informadas por física, quantificação de incerteza e IA explicável para realizar plenamente o potencial do design racional de fármacos. O trabalho visa catalisar avanços no aprendizado profundo geométrico para design de fármacos baseado em estrutura, fornecendo um recurso padronizado e multimodal.