Resumo Técnico: Probe Before You Edit (PROBE)

1. Declaração do Problema

O design de fármacos baseado em estrutura (SBDD) visa gerar ligantes com geometrias 3D complementares a bolsas de ligação proteicas específicas. Embora modelos generativos profundos recentes (autoregressivos, baseados em difusão e baseados em modelos de linguagem) tenham avançado na geração inicial de moléculas candidatas, eles tipicamente tratam o SBDD como uma tarefa de geração condicional de etapa única. Esses modelos carecem de mecanismos para inspeção, crítica e reparo iterativos baseados em feedback específico da bolsa.

Inversamente, abordagens existentes que empregam agentes de Grandes Modelos de Linguagem (LLM) para otimização iterativa sofrem de um gargalo crítico: interferência de objetivos. Um ligante viável deve satisfazer simultaneamente alta afinidade de ligação (medida por pontuações Vina) e alta drugrabilidade (medida por QED e Acessibilidade Sintética, SA). Esses objetivos frequentemente puxam em direções opostas sob edições locais (por exemplo, adicionar um grupo hidrofóbico para preencher uma bolsa pode melhorar a afinidade, mas degradar a drugrabilidade ao aumentar a complexidade molecular).

Pipelines de agentes de LLM atuais (ex: MoLLM, CIDD, LIDDIA) comprometem-se com edições antes de reunir evidências específicas da bolsa sobre como o complexo ligante-bolsa responderá. Consequentemente, os agentes frequentemente falham em alcançar a melhoria conjunta (melhorar simultaneamente a afinidade e a drugrabilidade) em um único passo, muitas vezes trocando um objetivo pelo outro.

2. Metodologia: Estrutura PROBE

Os autores propõem o PROBE (Probing-Guided Molecular Optimization), uma estrutura inspirada na prática de química medicinal de "design-make-test-analyze" (DMTA). Diferente de agentes anteriores que "editam antes de saber", o PROBE adota uma estratégia de "sondar antes de editar" (probe-before-edit). A estrutura consiste em três estágios sequenciais:

A. Construção do Mapa do Sítio (Site Map)

Antes de iniciar a otimização, o PROBE decompõe o ligante inicial em fragmentos (usando BRICS) e agrega três sinais diagnósticos para cada fragmento:

1. Sinais de Interação: Derivados do PLIP (Protein-Ligand Interaction Profiler) em relação a ligações de hidrogênio, contatos hidrofóbicos, etc.
2. Sinais Geométricos: Avaliação de choques estéricos, vazios e exposição ao solvente.
3. Sinais de Propriedade: Avaliação de eficiência do ligante, acessibilidade sintética e alertas estruturais (ex: PAINS, quiralidade excessiva).

Um LLM de diagnóstico sintetiza esses sinais para construir um Mapa do Sítio, rotulando fragmentos específicos como:

• SINERGIA (SYNERGY): Sítios onde uma única edição pode plausivelmente melhorar tanto a afinidade quanto a drugrabilidade.
• TENSÃO (TENSION): Sítios onde melhorar um objetivo provavelmente degrada o outro.
• RESPONSABILIDADE (LIABILITY): Sítios que contêm falhas estruturais (ex: grupos reativos, sistemas espiro complexos) que devem ser corrigidos independentemente dos trade-offs.

B. Indução de Manual de Edição Específico da Bolsa

O PROBE realiza um estágio de sondagem único para estimar como a bolsa específica responde às edições antes que o loop iterativo comece.

1. Planejador de Sondagem (Probing Planner): Um LLM propõe três estratégias (Foco em Afinidade, Foco em Drugrabilidade, Co-otimização) visando os sítios identificados no Mapa do Sítio.
2. Gerador de Sondagem (Probing Generator): Para cada estratégia, o sistema gera 12 "edições de sondagem" controladas (3 níveis de intensidade: Alta, Média, Baixa, mais um Contrafactual) por molécula.
3. Sumarização de Resposta: Os resultados dessas sondagens (mudanças em Vina, QED, SA) são analisados para determinar formas de resposta (ex: melhoria monotônica, cliffs de atividade, saturação).
4. Construção do EditManual: Os resultados são destilados em um EditManual estruturado. Este documento atua como um guia específico da bolsa, definindo ações permitidas/proibidas, restrições semânticas (tamanho, polaridade, flexibilidade) e listas negras para cada sítio. Ele converte as respostas locais das sondagens em restrições executáveis para o loop de otimização.

C. Loop de Otimização Multi-Agente

O PROBE executa um loop iterativo DMTA guiado pelo Mapa do Sítio e pelo EditManual:

1. Design: Três agentes especializados (Afinidade, Drugrabilidade e Co-otimização) propõem edições. O agente de Afinidade visa sítios de SINERGIA/Tensão para ligação; o agente de Drugrabilidade visa sítios de RESPONSABILIDADE para simplificação; o agente de Co-otimização reconcilia as propostas.
2. Fabricação e Teste (Make & Test): Um motor de montagem de fragmentos instancia as edições propostas usando uma biblioteca de fragmentos de propriedades farmacológicas (derivados do ChEMBL) que satisfaçam as restrições semânticas do EditManual. Os candidatos são pontuados.
3. Análise e Iteração: O sistema atualiza o EditManual incrementalmente se os resultados contradisserem as regras existentes (ex: endurecendo restrições sobre ações que falharam). A melhor molécula (baseada na melhoria do hipervolume em relação ao estado inicial) é selecionada para a próxima rodada.

3. Principais Contribuições

1. Métricas Diagnósticas: Os autores introduzem duas métricas para quantificar a dificuldade da otimização conjunta:

   • Taxa de Melhoria Conjunta (Joint Improvement Rate): A frequência de etapas que melhoram tanto a afinidade quanto a drugrabilidade.
   • Taxa de Interferência de Objetivos (Objective Interference - OI Rate): A frequência onde a melhoria de um objetivo causa a degradação do outro.
   • Achado: Pipelines existentes mostram baixas taxas de melhoria conjunta (<33%) e altas taxas de OI (>60%).

2. Estrutura PROBE: Uma arquitetura inovadora de "sondar antes de editar" que estima explicitamente as respostas de edição específicas da bolsa. Ela gera um Mapa do Sítio e um EditManual para guiar a otimização multi-agente, desacoplando a exploração da otimização.

3. Desempenho de Estado da Arte: A avaliação no benchmark CrossDocked2020 demonstra que o PROBE supera significativamente as linhas de base de agentes de LLM (MoLLM, CIDD, LIDDIA) e modelos generativos profundos em todas as métricas padrão de SBDD.

4. Resultados Experimentais

• Benchmark: CrossDocked2020 (100 bolsas proteicas).
• Linhas de Base (Baselines): Comparado contra modelos de geração 3D de novo (ex: Pocket2Mol, MolCRAFT) e otimizadores de agentes de LLM (MoLLM, CIDD, LIDDIA).
• Desempenho:
  • O PROBE alcança a maior Taxa de Sucesso (67,67% com inicialização MolJO), superando significativamente a melhor linha de base (MolJO + CIDD com 47,80%).
  • Alcança as melhores pontuações de Vina (-9,626), QED (0,664) e SA (0,782) entre todos os métodos.
  • Melhoria Conjunta: O PROBE é o único método onde a maioria das etapas de otimização (52,8%) resulta em melhoria conjunta, comparado a <30% para as linhas de base.
  • Interferência de Objetivos: O PROBE reduz drasticamente a taxa de OI (ex: ~25-30% vs. >60% para as linhas de base), provando que o EditManual restringe com sucesso as edições para evitar danos colaterais.
• Estudos de Ablação:
  • Remover o Mapa do Sítio (usando fragmentos planos) reduz o desempenho.
  • Remover a Sondagem (dependendo do conhecimento prévio do LLM para o EditManual) degrada significadamente os resultados, confirmando que o valor vem de restrições baseadas em evidências, não apenas da existência de um manual.
• Orçamento Computacional: Mesmo quando o CIDD é estendido para igualar o orçamento computacional do PROBE (27 rodadas vs. 5), o PROBE produz resultados superiores, indicando ganhos de eficiência vindos da estratégia de sondagem, e não apenas de aumento de computação.

5. Significância e Alegações

O artigo alega que o principal gargalo no SBDD atual de agentes de LLM não é a escolha do paradigma do agente (planejador vs. gerador), mas a falta de evidência específica da bolsa antes de se comprometer com uma edição. Ao imitar a prática do químico medicinal de realizar edições de análogos controlados para medir a resposta, o PROBE permite que os agentes naveguem pelo trade-off entre afinidade e drugrabilidade de forma mais eficaz.

Os autores posicionam o sondar-antes-de-editar como uma pipeline generalizável para otimização molecular impulsionada por LLM. Eles sugerem que a coleta de evidências específicas da tarefa antes de se comprometer com edições poderia se estender além do SBDD para outros cenários de design multi-objetivo onde os objetivos estão frequentemente em tensão. O trabalho demonstra que a estimativa explícita das respostas de edição, destilada em restrições estruturadas, permite que agentes de LLM alcancem resultados de otimização conjunta que eram anteriormente inalcançáveis com edição iterativa cega.