Structure-Aware Prediction of PROTAC-Mediated Protein Degradability via Graph Neural Networks

Resumo Técnico: Predição de Degradabilidade de Proteínas Mediada por PROTACs Sensível à Estrutura via Redes Neurais de Grafos

Definição do Problema
Quimeras de direcionamento de proteólise (PROTACs) oferecem um mecanismo catalítico para degradar proteínas causadoras de doenças ao recrutar ligases de ubiquitina E3. No entanto, existe um gargalo crítico no pipeline inicial de descoberta de fármacos: a seleção de alvos. Determinar se uma proteína específica é suscetível à degradação mediada por PROTAC atualmente exige a síntese de moléculas candidatas e a realização de ensaios caros em células. Métodos computacionais existentes (ex: DeepPROTACs, DegradeMaster) dependem da estrutura molecular completa do PROTAC como entrada, tornando-os inutilizáveis para a avaliação inicial do alvo, onde o PROTAC ainda não foi desenhado. Os autores abordam a necessidade de uma ferramenta de predição pré-síntese que possa avaliar a degradabilidade usando apenas a informação mínima disponível na etapa de seleção de alvos: a estrutura da proteína alvo e a identidade da ligase E3.

Metodologia: DegradoMap
Os autores introduzem o DegradoMap, uma Rede Neural de Grafos (GNN) projetada para prever degradabilidade binária e eficiência de degradação contínua sem dados estruturais do PROTAC. A arquitetura consiste em quatro módulos primários:

1. Codificador de Grafo Estrutura–Ubiquitinação (SUG):

   • Entrada: Grafos de estrutura proteica construídos a partir de estruturas preditas pelo AlphaFold (raio $r=8$ Å). As características dos nós incluem embeddings ESM-2 opcionais (1.280-dim), propriedades físico-químicas, pLDDT, SASA, escores de desordem e máscaras de sítios de ubiquitinação conhecidos do PhosphoSitePlus.
   • Mecanismo: Uma GNN de passagem de mensagens invariante (SE(3)-invariante) atualiza as representações dos nós usando distâncias euclidianas escalares entre átomos $C_\alpha$.
   • Inovação Chave: Um mecanismo de pooling global ponderado por lisina. Como a ubiquitina se liga a resíduos de lisina, o modelo aplica um softmax por proteína para aumentar o peso dos resíduos de lisina com base em um parâmetro aprendido. Crucialmente, isso utiliza normalização por proteína para evitar vazamento de dados (data leakage) entre o lote e normalização de tamanho $1/\sqrt{N}$ para evitar que o tamanho da proteína atue como um atalho trivial.
   • Escolha de Design: Os autores escolheram deliberadamente uma arquitetura invariante em vez de designs E(3)-equivariantes, concluando que características de distância escalar são suficientes para esta tarefa de predição escalar e que modelos equivariantes apresentam desempenho inferior.

2. Módulo de Compatibilidade E3:

   • Mecanismo: Uma camada de atenção cruzada bidirecional que modela a compatibilidade entre a representação da proteína (query) e a identidade da ligase E3 (key/value).
   • Implementação: As ligases E3 são representadas como embeddings aprendidos (em vez de características estruturais) devido ao número limitado de E3s distintas (10) no conjunto de dados. Isso permite que o modelo aprenda "filtros" específicos de E3 sobre a estrutura da proteína.

3. Codificador de Contexto Celular:

   • Entrada: 59 características específicas de tecidos do Cancer Dependency Map (DepMap), abrangendo expressão gênica, níveis de proteína e participação em vias.
   • Mecanismo: Um MLP residual processa essas características para considerar variáveis celulares como níveis de expressão de E3 e capacidade do proteassoma.

4. Fusão com Portão (Gated Fusion) e Predição:

   • Um mecanismo de portão aprendido pondera dinamicamente as saídas dos módulos SUG, E3 e de Contexto.
   • A representação fundida alimenta duas cabeças: um classificador binário para degradabilidade (tarefa primária) e um regressor para eficiência contínua (tarefa auxiliar).
   • Treinamento: O modelo utiliza uma perda multitarefa (Binary Cross-Entropy, Huber e Focal Loss) e uma estratégia de treinamento de três fases (pré-treinamento do SUG, treinamento conjunto SUG+E3 e ajuste fino completo) para garantir estabilidade.

Resultados Principais
O modelo foi avaliado no benchmark PROTAC-8K (3.101 amostras, 155 alvos, 10 ligases E3) usando três divisões distintas: Aleatória, Alvo-Não-Visto (mais rigorosa) e E3-Não-Vista.

• Desempenho em Alvo-Não-Visto (Target-Unseen):
  • O modelo melhorado (com ESM-2) alcançou um AUROC médio de 3 sementes de 0,646 ± 0,124 (melhor semente: 0,7449).
  • Uma avaliação extensiva de 6 sementes rendeu um AUROC médio de 0,603 ± 0,097, que não foi estatisticamente superior a um baseline de Gradient Boosting (0,607, $p=0,556$).
  • Os autores observam alta variância entre as sementes, sugerindo que o ensembling é necessário para implantação confiável.
• Transferência para E3-Não-Vista (E3-Unseen):
  • O modelo alcançou 0,811 AUROC ao transferir de dados de treinamento dominados por CRBN para um conjunto de teste apenas de VHL, demonstrando generalização bem-sucedida de cross-E3 ao nível da ligase.
  • No entanto, proteínas alvo de VHL especificamente falharam no split de alvo-não-visto (0,396 AUROC, abaixo do acaso), indicando que padrões estruturais aprendidos para CRBN não se generalizam bem para alvos de VHL.
• Recomendação de E3:
  • O modelo recomenda com sucesso ligases E3 ideais, alcançando 74% de precisão Hit@3 (a E3 correta está entre as 3 recomendações principais) e um Mean Recency Rank (MRR) de 0,641.
• Calibração:
  • O modelo exibe excelente calibração no split de alvo-não-visto (ECE = 0,029), permitindo que profissionais confiem em escores de confiança para triagem baseada em limiares.
• Descobertas de Ablação:
  • Remover a característica explícita de "indicador de lisina" na verdade melhorou o desempenho, sugerindo que o pooling ponderado por lisina da arquitetura é um viés indutivo mais eficaz do que a anotação de característica explícita.
  • Embeddings ESM-2 melhoraram o desempenho de pico apenas com regularização cuidadosa (menor taxa de aprendizado, redução de dropout); a integração ingênua degradou o desempenho.

Significância e Alegações
O artigo posiciona o DegradoMap não como uma solução definitiva que supera todos os baselines em todas as métricas, mas como uma ferramenta de pré-síntese pragmática que preenche um lacuna específica no fluxo de trabalho de descoberta de fármacos.

• Requisito Mínimo de Entrada: Ao contrário de métodos existentes, o DegradoMap requer apenas um ID UniProt (para a estrutura AlphaFold) e o nome da ligase E3, permitindo a avaliação antes de qualquer síntese de PROTAC.
• Paradigma Complementar: Os autores enquadram o DegradoMap como complementar a métodos de informação completa (como o DegradeMaster). O DegradoMap é para triagem de alvos (pré-síntese), enquanto métodos de informação completa são para otimização de moléculas (pós-síntese).
• Limitações Honestas: Os autores reconhecem explicitamente que o desempenho médio de 6 sementes do modelo não é estatisticamente significativo em comparação com baselines mais simples e que o desempenho é altamente variável e dependente de E3 (especificamente falhando em alvos de VHL). Eles argumentam que o valor do modelo reside na sua interpretabilidade estrutural (via pesos de atenção de lisina), capacidade de recomendação de E3 e escores de confiança bem calibrados, em vez de dominância bruta de AUROC.
• Insights Arquiteturais: O artigo contribui com descobertas mais amplas para o aprendizado profundo geométrico, especificamente que arquiteturas invariantes podem superar as equivariantes para predição de propriedades escalares neste domínio, e que embeddings de modelos de linguagem de proteínas exigem regularização específica para serem benéficos.

Em resumo, o DegradoMap fornece um framework computacionalmente eficiente e sensível à estrutura para a avaliação de alvos de PROTAC em estágio inicial, ofereção orientação acionável sobre a seleção de E3 e probabilidade de degradabilidade, enquanto relata transparentemente suas limitações em relação à escassez de dados e variância de sementes.