APCyc: Property-Informed Design of Cyclic Peptides via Automated Cyclization

Resumo Técnico: APCyc – Design de Peptídeos Cíclicos Informado por Propriedades via Ciclização Automatizada

Definição do Problema
Peptídeos cíclicos oferecem vantagens terapêuticas significativas sobre peptídeos lineares, incluindo melhor estabilidade, afinidade de ligação e conformações bioativas pré-organizadas. No entanto, o design de novo de peptídeos cíclicos permanece um desafio formidável. Os modelos generativos existentes são predominantemente treinados em dados de peptídeos lineares e frequentemente tratam a ciclização como uma modificação estrutural post-hoc, em vez de uma variável de design integrada. Essa abordagem falha em capturar os complexos requisitos topológicos específicos do alvo necessários para uma ligação de alta afinidade. Além disso, os métodos atuais dependem tipicamente de heurísticas de ciclização rígidas e predefinidas (por exemplo, locais de ligação ou tipos fixos) e negligenciam amplamente a otimização simultânea de propriedades críticas relevantes para fármacos, como permeabilidade de membrana, resistência a proteases, solubilidade e imunogenicidade. Consequentemente, o design de peptídeos cíclicos é inerentemente um problema de otimização multiobjetivo que requer o equilíbrio de restrições terapêuticas além da simples atividade de ligação.

Metodologia
Os autores propõem o APCyc, um framework de difusão latente consciente do alvo, projetado para automatizar a seleção de topologias de ciclização enquanto otimiza conjuntamente múltiplas propriedades físico-químicas. O método opera através de três mecanismos centrais:

1. Injeção de Par de Ciclização Automatizada:

   • Expansão do Vocabulário: O APCyc estende o vocabulário padrão de resíduos de aminoácidos para distinguir explicitamente entre resíduos ciclizados e não ciclizados (por exemplo, distinguindo uma cisteína ligada por dissulfeto de uma cisteína padrão), mesmo que compartilhem a mesma identidade de aminoácido.
   • Modelagem de Topologia: O modelo formula a ciclização como um problema de tomada de decisão discreta e condicionada ao alvo. Ele prevê tanto os tipos de ligação de ciclização (por exemplo, amida, dissulfeto, isopeptídeo) quanto os locais de ligação específicos ao nível de resíduo diretamente a partir do contexto do bolso de ligação do receptor.
   • Mecanismo de Injeção: Um tensor de representação de pares é construído para capturar compatibilidade semântica e proximidade geométrica. Essa informação é projetada em subespaços específicos da tarefa para prever uma matriz de probabilidade de ligação e a distribuição do tipo de ciclização. Essas previsões são injetadas na rede de denoising (um AM-EGNN) via aumento de características de aresta e modulação de mensagem, guiando a trajetória de difusão em direção a fechamentos topológicos válidos.

2. Difusão Latente de Geometria:

   • O APCyc utiliza um autoencoder do tipo dyMEAN para mapear grafos de peptídeos em variáveis latentes ao nível de resíduo (invariantes e equivariantes).
   • Um processo de difusão latente do tipo DDPM é treinado nesses latentes. A rede de denoising é condicionada ao contexto do bolso do receptor e aos sinais de topologia online gerados pelas cabeças de ciclização.
   • O objetivo de treinamento combina a perda padrão de predição de ruído DDPM com uma perda supervisionada para a topologia de ciclização prevista (matriz de ligação e tipo).

3. Guia de Posterior Bayesiano Informado por Propriedades:

   • Para otimizar propriedades relevantes para fármacos, o APCyc emprega uma estratégia de guia baseada em gradiente no espaço latente.
   • Surrogates baseados em energia diferenciáveis são treinados para prever propriedades (solubilidade, permeabilidade, resistência a proteases, imunogenicidade, afinidade de ligação) a partir dos estados latentes ruidosos.
   • Durante o processo de difusão reversa, a amostragem é direcionada usando o guia de posterior Bayesiano. A função de score é aumentada com gradientes dos surrogates de propriedades, permitindo a otimização conjunta de múltiplos objetivos. Um esquema de ponderação adaptativa equilibra os gradientes de objetivos concorrentes para evitar que uma propriedade domine as outras.

Principais Contribuições

• Ciclização Automatizada Condicionada ao Bolso: Ao contrário de métodos anteriores que exigem estratégias de ciclização predefinidas, o APCyc aprende a selecionar tanto os tipos de ciclização quanto os locais de ligação diretamente do contexto do bolso de ligação do alvo, tratando a topologia como uma variável de design.
• Geração Controlável Informada por Propriedades: O framework utiliza o guia de posterior Bayesiano para direcionar a geração através de múltiplas propriedades terapêuticas (afinidade, permeabilidade, resistência a proteases, solubilidade, imunogenicidade), alcançando pontuações de estado da arte em proxies de permeabilidade e resistência a proteases.
• Design End-to-End: O APCyc unifica a seleção de ciclização, a geração de todos os átomos e a otimização guiada por propriedades. Ele alcança qualidade estrutural líder (por exemplo, scores totais de Rosetta e consistência) enquanto mantém forte afinidade de ligação.

Resultos Experimentais
O modelo foi avaliado no conjunto de dados CPCore (um subconjunto refinado do CPSea contendo aproximadamente 72 mil complexos proteína-peptídeo cíclico) e testado em um conjunto não redundante de 56 alvos.

• Otimização de Propriedades: Variantes do APCyc demonstraram controle explícito sobre alvos de propriedades. A configuração "Membrane-permeable" alcançou o maior proxy de permeabilidade (0.107) entre todos os métodos, enquanto a configuração "Multi-property" alcançou o melhor score de resistência a proteases (-1.474).
• Qualidade Estrutural: Os peptídeos gerados exibiram alta estabilidade e consistência. A variante multi-propriedade alcançou o melhor score total de Rosetta (-758.545) e consistência (0.971).
• Desempenho ao Nível do Alvo: Estudos de caso em alvos específicos (3rc4 e 4xal) mostraram que o APCyc superou consistentemente os métodos de baseline (PepGLAD, PepFlow, CPComposer) em scores de ligação e perfis de múltiplas propriedades, melhorando significativamente a permeabilidade de membrana em alvos individuais.
• Estudos de Ablação: Remover o mecanismo de guia resultou em menor desempenho em resistência a proteases e imunogenicidade, confirmando a necessidade do componente guiado por propriedades.

Significância e Alegações
O artigo afirma que o APCyc aborda a limitação crítica dos modelos generativos existentes ao integrar a seleção da topologia de ciclização diretamente no processo generativo, em vez de tratá-la como um passo de pós-processamento. Ao modelar explicitamente o acoplamento entre a geometria do alvo, a estratégia de ciclização e as propriedades relevantes para fármacos, o APCyc permite o design controlável de peptídeos cíclicos que satisfazem restrições terapêuticas complexas. Os autores posicionam este trabalho como uma base robusta para o próximo nível de design de peptídeos terapêuticos, oferecendo um framework que equilibra viabilidade estrutural com drug-likeness multiobjetivo. Os autores observam que o método destina-se a apoiar a descoberta terapêutica, propondo candidatos para revisão de especialistas e validação experimental, em vez de servir como uma fonte direta de recomendações clínicas.