Resumo Técnico: PhAME – Edição Molecular Consciente de Fenótipo via Difusão Latente

Declaração do Problema

A descoberta de fármacos de pequenas moléculas depende cada vez mais da otimização de moléculas candidatas contra assinaturas biológicas de alta dimensão (fenótipos), como morfologia celular (Cell Painting) e perfis transcriptômicos (L1000), em vez de ensaios de ligação a alvos únicos. O fluxo de trabalho dominante envolve Hit-to-Lead (H2L) e Otimização de Lead (LO), onde uma molécula "semente" ativa deve ser refinada iterativamente para melhorar a potência ou alterar o mecanismo de ação, mantendo proximidade estrutural com o hit original.

Os métodos generativos existentes falham em abordar este fluxo de trabalho específico de forma eficaz:

• Geradores centrados em ligantes produzem moléculas válidas, mas carecem de mecanismos para direcionar a geração em direção a alvos fenótipos complexos ou ancorar a uma semente específica.
• Geradores condicionados a fenótipos (por exemplo, GxVAE, SmilesGEN) geralmente geram moléculas de novo a partir de um alvo fenótipo, ignorando a necessidade de começar a partir de um hit conhecido.
• Guia Livre de Classificador Padrão (CFG) em modelos de difusão utiliza uma única escala de orientação, forçando um compromisso inevitável entre corresponder ao fenótipo alvo e preservar a similaridade estrutural da molécula semente.

Metodologia: Framework PhAME

Os autores propõem o PhAME (Phenotype-Aware Molecular Editing), um framework de difusão latente que reformula a otimização molecular como uma tarefa de edição dentro do espaço latente de um Variational Autoencoder (VAE) baseado em grafos pré-treinado.

1. Espaço Latente e Arquitetura

• Modelo Base: O PhAME opera no espaço latente do DGVAE [34], um VAE baseado em grafos pré-treinado que codifica grafos moleculares em vetores latentes contínuos ($z_0$) e os decodifica de volta para strings SMILES válidas. O codificador e o decodificador estão congelados; apenas o modelo de difusão é treinado.
• Embedding Consciente de Fenótipo: Para ancorar a geração a uma molécula semente enquanto respeita a relevância fenotípica, o PhAME utiliza embeddings InfoAlign [24]. Diferentemente de impressões digitais químicas brutos, os embeddings InfoAlign alinham a estrutura molecular com perfis de resposta celular (Cell Painting e L1000) através de um gargalo de informação. Este embedding ($z_{align}$) serve como uma âncora estrutural que reflete similaridade fenotipicamente relevante.

2. Estratégia de Treinamento

• Construção de Dados: Pares de treinamento são construídos selecionando moléculas estruturalmente similares que caem em lados opostos de um limite de propriedade (por exemplo, ligante vs. não ligante, ou alto vs. baixo logP).
• Objetivo: A rede de remoção de ruído $\epsilon_\theta$ é treinada para prever o ruído adicionado à representação latente de uma molécula alvo ($z_0$) condicionada a:
  1. A assinatura fenotípica alvo ($c$).
  2. O embedding InfoAlign da molécula semente ($z_{align}$).
• Função de Perda: O objetivo de treinamento combina a perda padrão de difusão ($L_{diff}$) com uma perda de alinhamento ($L_{align}$) que penaliza a amostra desnoisada por se desviar demais do embedding InfoAlign da semente, garantindo coerência estrutural.

3. Guia Livre de Classificador Compositivo (c-CFG)

A inovação central do PhAME é a substituição do CFG padrão por um esquema de orientação composicional. Em vez de uma única escala de orientação $w$, o PhAME decompõe o sinal de orientação em dois termos independentes com escalas separadas:
$$\tilde{\epsilon}_\theta(\hat{z}_t, t, c, z_{align}) = \epsilon_\theta(\hat{z}_t, t, \emptyset, \emptyset) + w_c \Delta_c + w_a \Delta_a$$
Onde:

• $\Delta_c$ é a direção do gradiente em direção ao fenótipo alvo ($c$).
• $\Delta_a$ é a direção do gradiente em direção à estrutura da semente ($z_{align}$).
• $w_c$ controla a força da correspondência do fenótipo.
• $w_a$ controla a força da ancoragem estrutural.

Este desacoplamento permite que os praticantes controlem explicitamente o compromisso entre otimizar para uma nova propriedade biológica e manter a similaridade estrutural com a semente, removendo o compromisso forçado inerente ao CFG de escala única.

4. Modos de Inferência

• Edição Molecular: Uma molécula semente é codificada, parcialmente ruidosa (controlando o raio de exploração) e, em seguida, desnoisada usando o esquema de dupla orientação para gerar análogos.
• Geração De Novo: O modelo pode amostrar a partir de ruído puro ($\hat{z}_T \sim \mathcal{N}(0, I)$) com $w_a=0$, funcionando como um gerador padrão condicionado a fenótipos.

Contribuições Principais

1. Edição Molecular por Difusão Latente: Introdução de um framework que permite a otimização sistemática de Hit-to-Lead guiada por assinaturas biológicas complexas dentro de um espaço latente de graph-VAE.
2. Mecanismo de Orientação Compositiva: Uma generalização novel do CFG que utiliza duas escalas independentes ($w_c$ e $w_a$) para controlar independentemente a correspondência de fenótipos e a proximidade da semente, resolvendo efetivamente o compromisso entre esses objetivos.
3. Desempenho State-of-the-Art: Demonstração de resultados superiores em diversas modalidades, incluindo otimização de escore de acoplamento, geração condicionada a transcriptoma e geração de Modo de Ação (MoA) impulsionada por Cell Painting, mantendo alta validade química e novidade.

Resultados Experimentais

Os autores avaliaram o PhAME em quatro benchmarks distintos:

1. Edição Controlada de Propriedades (logP)

• Tarefa: Otimizar valores de logP preservando a similaridade estrutural com moléculas semente no benchmark MOSES.
• Resultado: O PhAME alcançou a maior pontuação NTS (uma métrica composta de Novidade, Sucesso no Alvo e Similaridade), superando baselines como Mol-CycleGAN, DiGress e PURE. Demonstrou que o ajuste independente de $w_c$ e $w_a$ permite que o modelo corresponda às forças específicas de métodos especializados (por exemplo, alto sucesso no alvo como o DiGress ou alta similaridade como o PURE) simultaneamente.

2. Otimização de Escore de Acoplamento

• Tarefa: Gerar novos ligantes de alta afinidade para cinco alvos proteicos (PARP1, FA7, 5HT1B, BRAF, JAK2) usando uma abordagem de aprendizado de currículo em três estágios no ZINC250k.
• Resultado: O PhAME estabeleceu novos resultados state-of-the-art, alcançando os melhores escores de acoplamento em todos os cinco alvos e a maior taxa de hits novos em quatro dos cinco alvos. Notavelmente, os 5% superiores das moléculas geradas pelo PhAME foram mais potentes que os 5% superiores de todo o conjunto de treinamento ZINC250k.

3. Geração Guiada por Transcriptoma

• Tarefa: Gerar moléculas condicionadas a perfis de expressão gênica (L1000) para alvos específicos (por exemplo, AKT1, HDAC1).
• Resultado: O PhAME superou as baselines condicionadas a genes (TRIOMPHE, GxVAE, SmilesGEN) em drug-likeness (QED) e acessibilidade sintética (SA). Crucialmente, gerou compostos com similaridade estrutural significativamente maior a ligantes conhecidos (até +90% de melhoria para HDAC1) em comparação com as baselines, demonstrando recuperação eficaz de farmacóforos conhecidos usando apenas dados de expressão.

4. Geração Guiada por Fenótipo Celular (MoA)

• Tarefa: Gerar moléculas de novo condicionadas a centróides de morfologia Cell Painting correspondentes a Modos de Ação (MoA) específicos.
• Resultado: O PhAME superou significativamente as baselines (DGVAE, CPMolGAN, GFlowNet) em Precisão de Cluster Top-1 e Taxa de Recuperação de MoA através de múltiplos espaços de representação (ECFP, CLOOME, InfoAlign). Foi o único método a consistentemente superar a linha de base de acaso em todos os espaços, indicando aprendizado genuíno de relações estrutura-atividade em vez de overfitting a um embedding específico.

Significado e Alegações

O artigo afirma que o PhAME aborda um gargalo crítico na descoberta de fármacos moderna: a incapacidade dos modelos generativos atuais de simultaneamente editar um hit conhecido e direcioná-lo em direção a sinais biológicos complexos de nível sistêmico. Ao reclassificar a otimização como edição no espaço latente e introduzir orientação composicional, o PhAME fornece um mecanismo controlável para equilibrar os objetivos conflitantes de conservação estrutural e otimização fenotípica.

Os autores afirmam que este framework permite um processo Hit-to-Lead mais eficiente, permitindo que pesquisadores explorem o espaço químico ao redor de compostos ativos conhecidos enquanto visam resultados biológicos específicos (por exemplo, knockdowns gênicos ou mudanças morfológicas) sem depender de ensaios de ligação a alvos únicos. Os resultados sugerem que o PhAME pode recuperar terapêuticas conhecidas a partir de moléculas semente usando apenas orientação fenotípica, destacando seu potencial para reposicionamento de fármacos e otimização de leads.