Resumo Técnico: Lendo a Célula, Projetando a Cura (CURE)

1. Formulação do Problema: Projeto de Fármacos Baseado no Transcriptoma (TBDD)

O artigo aborda as limitações do Projeto de Fármacos Baseado na Estrutura (SBDD), que depende de estruturas proteicas 3D conhecidas e frequentemente falha quando os alvos são desordenados ou quando as doenças surgem de redes de múltiplas vias desreguladas em vez de alvos únicos acionáveis. Para complementar o SBDD, os autores formalizam o Projeto de Fármacos Baseado no Transcriptoma (TBDD) como um problema inverso generativo.

A Tarefa Central: Dada uma transição funcional-alvo definida por um par de estados transcriptômicos $(T_{pre}, T_{post})$ representando um efeito terapêutico desejado (por exemplo, deslocar uma célula de um estado doente para um estado saudável), o objetivo é aprender um gerador condicional $p(G | T_{pre}, T_{post})$ para projetar moléculas de fármacos $G$ que induzam essa mudança fenotípica específica.

Desafios Principais Identificados:

1. Lacuna de Domínio Cross-Modal: Perfis transcriptômicos (sinais biológicos de alta dimensionalidade, esparsos) e grafos moleculares (estruturas químicas discretas, topológicas) diferem fundamentalmente em densidade de informação e vieses indutivos, tornando o condicionamento ingênuo instável.
2. Sinais Esparsos e Ruidosos: Dados de RNA-seq de célula única oferecem heterogeneidade de alta resolução, mas sofrem com dropout, efeitos de lote e ruído técnico. Por outro lado, a transcriptômica em massa carece de resolução celular. Conciliar essas abordagens preservando a heterogeneidade biológica é difícil.
3. Natureza Mal-Posta: Transcriptomas codificam efeitos funcionais, não projetos atômicos únicos. Muitas estruturas moleculares distintas podem produzir assinaturas transcriptômicas semelhantes, exigindo uma abordagem distribucional em vez de uma busca por um único inverso.
4. Limitações de Avaliação: A validação em laboratório em grande escala é cara, necessitando de métricas proxy rigorosas e protocolos fora da distribuição (OOD) para evitar vazamento de dados e memorização.

2. Metodologia: Framework CURE

Os autores propõem o CURE (Motor de Resposta Celular), um framework de difusão guiado por transcriptoma de multi-resolução. A arquitetura consiste em dois componentes principais: um Extrator de Características Funcionais de Perturbação Transcriptômica (TFE) e um Modelo de Difusão de Grafos Moleculares Guiado por Características de Perturbação (PMD).

2.1. Extrator de Características Funcionais de Perturbação Transcriptômica (TFE)

O TFE é projetado para destilar embeddings robustos e orientados a função a partir de dados transcriptômicos brutos, alinhando-os com domínios químicos. Ele compreende três módulos especializados:

• Agregação de Transcriptoma Consciente de Heterogeneidade (TFE-H):

  • Problema: A média ingênua de dados de célula única colapsa a heterogeneidade de subpopulações, obscurecendo respostas específicas a fármacos.
  • Solução: O módulo primeiro projeta perfis de expressão esparsos brutos em uma variedade latente densa usando um modelo fundamental pré-treinado SCimilarity. Em seguida, emprega uma estratégia de Agregação Estruturada Estratificada por Ciclo, particionando células por fases do ciclo celular (G1, S, G2/M) e clusters transcricionais. Realiza amostragem hierárquica e agregação local dentro desses grupos biologicamente coerentes. Isso atua como um denoiser estruturado, suavizando ruído técnico enquanto preserva a variância distribucional e a heterogeneidade de subpopulações essenciais para um projeto preciso.

• Interação Bidirecional de Sinais de Perturbação Transcriptômica (TFE-I):

  • Problema: Extrair a assinatura causal de perturbação de fundos celulares complexos.
  • Solução: Uma arquitetura de dois fluxos processa $T_{pre}$ e $T_{post}$ separadamente. Utiliza mecanismos de Cross-Attention Simétrica onde os dois estados se atendem reciprocamente, alinhando dinamicamente os estados para destacar padrões de expressão gênica diferencial impulsionados pelo fármaco. Uma camada subsequente de Self-Attention refina dependências intra-estado. Os fluxos são fundidos por uma unidade adaptativa para produzir um embedding compacto e orientado a função, independente de variações celulares basais.

• Alinhamento de Domínio Molecular de Dupla Visão (TFE-A):

  • Problema: Conciliar a lacuna semântica entre espaços latentes biológicos e espaços químicos.
  • Solução: A característica biológica extraída $z$ é projetada em dois domínios químicos complementares para garantir validade estrutural e especificidade funcional:
    1. Alinhamento Topológico Global: Alinha $z$ com o espaço latente de um autoencoder de grafo hierárquico pré-treinado (VAE) para impor regras químicas fundamentais (valência, estruturas de anel).
    2. Alinhamento Local de Bioatividade: Alinha $z$ com Impressões Digitais de Morgan usando uma Restrição de Bioatividade Consciente de Esparsidade. Isso combina regressão esparsa com aprendizado contrastivo guiado por rótulos para mapear características contínuas para o espaço discreto de alta dimensionalidade e esparsidade de farmacóforos locais.

2.2. Difusão de Grafos Moleculares Guiada por Características de Perturbação (PMD)

• Backbone: Um Transformador de Difusão de Grafos baseado na arquitetura Diffusion Transformer (DiT).
• Processo: O modelo usa um processo forward dirigido por cadeia de Markov para adicionar ruído a características de grafos moleculares (átomos e ligações) e um processo reverso parametrizado por rede neural para reconstruir o grafo.
• Condicionamento: O embedding de perturbação $C$ (saída do TFE) é injetado no processo de difusão via Normalização de Camada Adaptativa (AdaLN).
• Treinamento: O modelo emprega Guia Livre de Classificador (CFG) com descarte dinâmico de características e injeção de ruído para melhorar a estabilidade da geração condicional. O objetivo de treinamento minimiza o log-verossimilhança negativa do processo reverso.

3. Configuração Experimental e Avaliação

Os autores avaliaram o CURE em dados de Massa (conjunto de dados L1000) e Célula Única (conjunto de dados Tahoe-100M).

• Baselines: Comparado contra fortes baselines de TBDD: GexMolGen, Gx2Mol e TRIOMPHE. Para dados de célula única, as baselines foram adaptadas usando perfilamento pseudo-massa (média) para garantir uma comparação justa, uma vez que não existem baselines generativas nativas de célula única.
• Protocolos de Avaliação:
  • Dentro da Distribuição: Divisões aleatórias padrão.
  • Fora da Distribuição (OOD):
    • Linhas Celulares Inéditas: Divisão biológica hierárquica (tecidos/tipos de tumor disjuntos).
    • Fármacos Inéditos: Divisão no nível de scaffold (scaffolds Bemis-Murcko) para evitar memorização estrutural.
• Métricas:
  • Estruturais: Cobertura, Unicidade, Similaridade, Distância Fréchet ChemNet, QED, Sintetizabilidade (SA), Validade.
  • Funcionais: Similaridade Fraggle e Morgan (scaffold/ambiente atômico), PRnet MSE (Erro Quadrático Médio entre perfis de perturbação previstos e verdadeiros usando um preditor independente).
  • Tarefas Zero-Shot: Projeto de inibidor de genes (geração de moléculas para knockouts de genes inéditos) e triagem de fármacos (recuperação Top-K).

4. Resultados Principais

• Desempenho Superior: O CURE superou consistentemente todas as baselines em ambas as modalidades de massa e célula única, tanto em configurações dentro da distribuição quanto OOD.
  • Alcançou a maior Cobertura (até 100% em massa) e Unicidade, mantendo a menor Distância Fréchet ChemNet, indicando verdadeira exploração generativa em vez de memorização.
  • Na configuração de Célula Única, o CURE manteve desempenho robusto, enquanto as baselines sofreram degradação severa devido à diluição de sinal por média ingênua.
• Consistência Funcional: O CURE alcançou um PRnet MSE significativamente menor (por exemplo, 0,2328 vs. 2,5987 para Gx2Mol em massa), demonstrando que as moléculas geradas induzem estados transcriptômicos altamente consistentes com as assinaturas-alvo.
• Projeto de Inibidor de Genes Zero-Shot: Em uma tarefa zero-shot direcionando 10 genes canônicos, o CURE gerou moléculas com:
  • Maior similaridade estrutural a inibidores conhecidos (Impressão Digital de Morgan).
  • Maiores afinidades de ligação previstas (kcal/mol mais baixas) em comparação com as baselines, frequentemente superando inibidores conhecidos em pontuações de acoplamento (por exemplo, -9,11 kcal/mol vs -7,30 para EGFR).
• Estudos de Ablação:
  • A remoção do TFE-H causou um declínio marcante no desempenho de célula única, confirmando a necessidade de agregação consciente de heterogeneidade.
  • A remoção do TFE-I ou TFE-A levou ao colapso funcional ou perda de fidelidade do farmacóforo, validando a estratégia de alinhamento de dupla visão.
  • O backbone Difusão de Grafos provou ser crítico para a fidelidade funcional em comparação com decodificadores SMILES ou Grafos VAEs.

5. Significado e Alegações

O artigo alega apresentar a primeira formalização rigorosa do TBDD como um problema inverso generativo e introduz um framework de avaliação sistemático para ele.

• Conectando Modos: O CURE conecta com sucesso a lacuna cross-modal entre biologia (transcriptômica) e química (grafos moleculares) através de agregação consciente de heterogeneidade e alinhamento de dupla visão, permitindo condicionamento robusto em dados biológicos ruidosos e esparsos.
• Descoberta Orientada a Função: O trabalho demonstra que a descoberta generativa orientada por fenótipo é uma alternativa viável ao SBDD, capaz de projetar moléculas para alvos onde dados estruturais estão indisponíveis ou para doenças complexas de múltiplas vias.
• Utilidade Prática: Os resultados de projeto de inibidor de genes zero-shot e triagem de fármacos destacam o potencial do CURE para refinar grandes bibliotecas químicas em conjuntos de candidatos gerenciáveis e de alta fidelidade para aplicações terapêuticas sensíveis ao tempo.
• Modéstia: Os autores reconhecem que, embora as moléculas geradas mostrem forte consistência in silico e potencial de ligação, elas exigem validação experimental extensa antes da consideração clínica. Eles também notam o potencial de uso dual do projeto molecular generativo, mas não destacam riscos sociais específicos além das considerações éticas padrão.

Em resumo, o CURE fornece um framework robusto e orientado a função para o projeto de fármacos de novo que aproveita perturbações transcriptômicas para guiar a geração molecular, abordando efetivamente os desafios de lacunas de domínio, esparsidade de dados e a natureza mal-posta do projeto inverso de fármacos.