Resumo Técnico: FORGE (Ranking e Geração Orientados a Fragmentos)

1. Declaração do Problema

A otimização molecular visa melhorar as propriedades de uma molécula inicial por meio de pequenas edições estruturais, mantendo alta similaridade com o composto original. As abordagens atuais de última linha geralmente enquadram isso como uma tarefa de geração de sequências condicionada a prompts, utilizando modelos de linguagem de grande escala (LLMs). Os autores argumentam que essa formulação está fundamentalmente desalinhada com a natureza de edição local do problema por duas razões:

1. Incompatibilidade Semântica: Objetivos reais de descoberta de fármacos (por exemplo, escores de ligação proprietários, classificadores ADMET) frequentemente carecem de descrições em linguagem natural fiéis. Confiar em prompts de texto leva a um controle fraco, e o treinamento em dados de cadeia de pensamento destilados por LLMs frequentemente herda imprecisões químicas ou alucinações.
2. Contexto Ignorado: A contribuição de um fragmento molecular para uma propriedade depende fortemente de seu ambiente químico local. Tratar as contribuições dos fragmentos como escalares globais e livres de contexto colapsa informações estruturais críticas e introduz ruído nos rótulos.

2. Metodologia: Framework FORGE

O FORGE (Ranking e Geração Orientados a Fragmentos) reformula a otimização molecular como edição local consciente de contexto. Ele decompõe a tarefa em duas decisões explícitas: onde editar e como editar. O framework é construído sobre um modelo de linguagem compacto de 0,6B (Qwen3-0.6B) e opera em duas etapas supervisionadas, seguidas por um mecanismo de inferência adaptado para objetivos de caixa-preta.

Componentes Principais

• Tokenização em Nível de Átomo (QwenAtom): Para garantir identidade estável do fragmento em diferentes moléculas hospedeiras, os autores substituem a Codificação de Bytes-Pares (BPE) padrão por um analisador atômico baseado em regex para strings SMILES. Isso garante que a mesma subestrutura química seja tokenizada de forma idêntica, independentemente da molécula circundante, um pré-requisito para supervisão confiável em nível de fragmento.
• Etapa 1: Ranking de Fragmentos Consciente de Contexto (Discriminativo):
  • Objetivo: Determinar onde editar.
  • Mecanismo: O modelo classifica fragmentos com base em sua contribuição para uma propriedade-alvo dentro do contexto molecular completo.
  • Supervisão: Utiliza dados baseados em regras (RDKit para propriedades como QED, logP) e atribuição baseada em GNN (SME) para propriedades como hERG e ESOL. Crucialmente, emprega SME+, uma extensão condicionada ao contexto da Explicação de Máscara de Subestrutura que agrupa ocorrências de fragmentos por seu ambiente ECFP local (raio $r=2$) em vez de agregar globalmente.
  • Tarefas: Decomposição, classificação, previsão de vulnerabilidade e classificação por aprendizado em contexto (ICL).
• Etapa 2: Substituição Explícita de Fragmentos (Generativa):
  • Objetivo: Determinar como editar.
  • Mecanismo: Gera substituições explícitas para fragmentos fracos identificados.
  • Supervisão: Treinado em pares de edição verificados de baixo para alto derivados de:
    1. SME+: Substituições específicas de contexto que melhoram os escores dentro de um determinado intervalo de ambiente.
    2. Pares de Moléculas Correspondentes do ChEMBL (MMPs): Pares do mundo real que compartilham um scaffold, mas diferem por um fragmento, filtrados para excluir alvos de benchmark (DRD2, JNK3, GSK3-β) para evitar vazamento de dados.
  • Formato de Saída: Sintaxe de modificação explícita (por exemplo, frag_src >> frag_tgt) em vez de reescrita completa da molécula.
• Inferência: Aprendizado em Contexto (ICL) para Objetivos de Caixa-Preta:
  • O FORGE adapta-se a objetivos de caixa-preta não vistos e sem nome, sem atualizações de gradiente.
  • Mantém um buffer de replay de tuplas (molécula fonte, modificação, molécula resultante, escore do oráculo).
  • Durante a busca, o modelo é solicitado com demonstrações amostradas desse buffer (com viés para escores altos) para inferir o objetivo-alvo e propor edições.

3. Contribuições Principais

1. Estratégia de Dados: Demonstrou que edições de fragmentos condicionadas ao contexto e verificadas por regras são uma alternativa viável, escalável e livre de alucinações a objetivos em linguagem natural ou a dados caros de cadeia de pensamento destilados por LLMs.
2. Design do Framework: Propôs o FORGE, um framework de duas etapas que desacopla a otimização em classificação condicionada ao contexto (onde) e geração de substituição explícita (como), utilizando tokenização em nível de átomo para estabilizar a identidade do fragmento.
3. Eficiência de Desempenho: Mostrou que um modelo de 0,6B usando este framework alcança resultados de última linha, superando modelos significativamente maiores (LLMs de 8B+, GPT-4o) e métodos baseados em grafos em múltiplos benchmarks.

4. Resultados Experimentais

Os autores avaliaram o FORGE em cinco benchmarks:

• Prompt-MolOpt (ADMET com Restrição de Similaridade): O FORGE supera consistentemente as linhas de base, com a lacuna de desempenho ampliando-se à medida que as restrições de similaridade se tornam mais rigorosas ($\delta=0.6$). Em $\delta=0.6$, o FORGE alcança um escore SUM de 2,882, comparado a 0,824 do Prompt-MolOpt original, demonstrando que a edição local de fragmentos é superior à reescrita completa de SMILES sob restrições rigorosas.
• PMO-1k (Otimização de Caixa-Preta): Em 22 tarefas de caixa-preta sem nome com um orçamento limitado de 1.000 chamadas, o FORGE alcança um escore agregado de 12,42, superando o LICO (11,71) e outros métodos sem gradiente.
• QED-DRD2 (Modificação Explícita): Ao comparar formatos de saída, a variante de modificação explícita do FORGE supera a variante de geração ponta a ponta em 3–5 pontos percentuais, particularmente em limiares de similaridade rigorosos.
• Otimização de Lead (Acoplamento a Alvos Reais): Em tarefas de acoplamento para cinco alvos proteicos, o FORGE alcança os melhores escores de acoplamento em 20 de 30 configurações, superando significativamente o Graph GA e o GenMol, especialmente sob restrições de similaridade rigorosas.
• ChemCoTBench (Modelo Pequeno vs. Modelos Grandes): Um modelo FORGE de 0,6B iguala ou excede o desempenho do Qwen-3-8B (SFT) e do GPT-4o em seis tarefas de otimização. Notavelmente, em tarefas de alvos reais (DRD2, JNK3, GSK3-β), o FORGE alcança taxas de sucesso de 86–94%, enquanto as linhas de base de 8B e GPT-4o lutam com taxas entre 20–48%.

5. Significado e Alegações

O artigo afirma que o valor principal do FORGE reside na mudança de paradigma da condicionamento em linguagem natural para supervisão explícita em nível de fragmento.

• O Contexto é Rei: Os autores fornecem evidências empíricas de que os efeitos dos fragmentos são altamente dependentes do contexto; condicionar a atribuição de fragmentos a ambientes locais (via SME+) reduz a variância em 8–10% e é crítico para o desempenho sob restrições de similaridade.
• Limitações de Prompts: Experimentos mostram que alterar a descrição em linguagem natural de um objetivo de caixa-preta em um prompt tem efeito negligenciável (<3% de mudança no escore) no comportamento de otimização, indicando que a linguagem natural é um sinal de controle fraco para essas tarefas.
• Escalabilidade: O framework demonstra que um modelo pequeno e especializado (0,6B) pode superar modelos generalistas massivos quando os dados de treinamento e o formato de saída estão alinhados com a natureza estrutural do problema químico (edições locais em vez de geração global).

Os autores concluem que a supervisão explícita em nível de fragmento é uma alternativa mais facilmente obtível, escalável e confiável ao treinamento em linguagem natural para otimização molecular, particularmente ao lidar com objetivos de caixa-preta e restrições estruturais rigorosas.