Pepti-Agent: An AI Agent for Peptide Design and Optimization

Resumo Técnico: Pepti-Agent

Definição do Problema
Os peptídeos terapêuticos ocupam um espaço de design crítico entre as pequenas moléculas e os biológicos, oferecendo vantagens em especificidade e ajustabilidade. No entanto, seu desenvolvimento é dificultado por restrições conflitantes: a solubilidade, a atividade hemolítica e o acúmulo não específico de superfície (non-specific surface fouling) são governados por características de sequência sobrepostas, o que significa que otimizar uma propriedade frequentemente degrada outra. As abordagens computacionais atuais tipicamente combinam modelos generativos com preditores de propriedades, mas dependem de scripts monolíticos que são difíceis de inspecionar, estender ou reutilizar. Além disso, esses sistemas frequentemente refinam sequências com base em raciocínio de linguagem natural, em vez de rastrear o estado evolutivo de múltiplas propriedades de cada candidato. O desafio é criar um framework que trate o design de peptídeos como um problema de otimização multiobjetivo restrito, onde o refinamento é guiado por saídas de preditores em tempo real, em vez de um raciocínio estático.

Metodologia
Os autores apresentam o Pepti-Agent, um framework específico para peptídeos orquestrado via Protocolo de Contexto de Modelo (MCP). O sistema desacopla geração, predição e mutação em ferramentas independentes e inspecionáveis, permitindo que um controlador de Grande Modelo de Linguagem (LLM) coordene essas etapas com base em dados em tempo real.

• Arquitetura: O fluxo de trabalho segue um padrão agir-observar-adaptar. Quando um usuário fornece uma sequência semente (ou o agente a gera), o sistema avalia o candidato contra três preditores de propriedades. Se as restrições não forem atendidas, o agente entra em um loop de refinamento iterativo.
• Componentes:
  • Geradores: Modelos PeptideGPT específicos para a tarefa e ajustados (fine-tuned) geram candidatos para peptídeos solúveis, não hemolíticos e não aderentes (non-fouling).
  • Preditores: Classificadores baseados em ProtBERT (backbone congelado com cabeças lineares) estimam as probabilidades de solubilidade, hemólise e não aderência.
  • Operadores de Mutação: Dois operadores complementares refinam as sequências:
    1. Um mutador de sítio único guiado por LLM que propõe substituições para melhorar uma propriedade alvo enquanto minimiza o impacto nas demais.
    2. Um mutador de fallback baseado em ESM2 (modelo de linguagem mascarada) usado quando a proposta do LLM estagna ou é inválida.
  • Agregação: Uma pontuação composta $S(x) = p_{sol}(x) + p_{nf}(x) + (1 - p_{hem}(x))$ é usada para classificar os candidatos e determinar as condições de parada.
• Lógica de Controle: O controlador rastreia o perfil de múltiplas propriedades de cada candidato. O refinamento continua até que os três limiares de propriedade (definidos em 0,5) sejam satisfeitos, um orçamento de rodadas seja atingido ou uma oscilação (reintrodução de uma sequência anterior) seja detectada. O sistema prioriza a inspecionabilidade, mantendo as propostas falhas no log de trajetória para diagnóstico, em vez de descartá-las.

Principais Contribuições

1. Agente Orquestrado por MCP: Introdução de um agente de ciclo fechado que integra geradores PeptideGPT, classificadores baseados em ProtBERT e operadores de mutação duplos por trás de uma interface de ferramenta reutilizável.
2. Recuperação de Viabilidade: Demonstração de que o agente pode conduzir um pool de peptídeos gerados para satisfazer simultaneamente os três limiares de propriedade, recuperando efetivamente a viabilidade para candidatos que inicialmente falharam.
3. Diagnóstico do Espaço de Busca: Uma análise de partida correspondente comparando o agente conservador contra uma busca de Substituição Única Exaustiva (ES). Isso revela o "espaço de manobra" (headroom ou potencial de otimização) deixado pelos critérios de aceitação do atual controlador.
4. Expansão do Espaço de Ação: Uma análise de uma configuração de refinamento "agressiva" que relaxa as restrições de comprimento fixo, mostrando que políticas de edição mais amplas podem acessar regiões de maior pontuação no landscape, embora ao alterar o comprimento da sequência.

Resultados
O artigo avalia o Pepti-mente através de três análises em 300 peptídeos gerados e 24 peptídeos iniciais representativos:

• Refinamento Conservador (Viabilidade): Em um pool de 300 peptídeos, o agente reduziu o número de candidatos que falhavam em qualquer limiar de propriedade de 2 para 0. Enquanto a solubilidade média e a hemólise melhoraram ligeiramente, a não aderência média diminuiu levemente ($0,649 \to 0,637$), indicando um compromisso (trade-off). A pontuação composta $S$ mostrou uma melhoria pequena e não significativa. O agente recuperou com sucesso a viabilidade, mas não otimizou significativamente a pontuação composta dentro da região viável.
• Busca Exaustiva (Limite Superior Local): Quando comparado a uma busca exaustiva sobre substituições de resíduos únicos (ES) em 24 peptídeos iniciais viáveis, o agente conservador foi superado em todos os 24 casos. O método ES alcançou um ganho de pontuação composta média de $0,059$ sobre o original, enquanto o ganho do agente conservador foi negligível ($-0,001$). Isso indica que o atual controlador falha em atingir o ótimo local dentro do regime de edição única e comprimento fixo.
• Refinamento Agressivo (Espaço de Ação Expandido): Uma política agressiva que permitiu mudanças de comprimento alcançou um ganho de pontuação composta média de $0,082$ sobre os inícios originais, superando tanto o agente conservador quanto a busca ES na maioria dos casos. No entanto, essa melhoria foi impulsionada principalmente pela mudança no comprimento do peptídeo (21 de 24 casos), com um aumento médio de comprimento de 2,42 resíduos. Quando restrito a saídas de mesmo comprimento, o desempenho do agente agressivo foi comparável ao ES.

Significância e Alegações
O artigo posiciona o Pepti-Agent não como um otimizador validado e superior aos métodos existentes, mas como um substrato transparente e reprodutível para estudar estratégias de design de peptídeos.

• Alegações Modestas: Os autores declaram explicitamente que nenhum candidato foi validado experimentalmente; todos os resultados são "internos ao modelo" e limitados pela calibração dos preditores. As comparações de partida correspondente são enquadradas como "diagnósticos de espaço de busca" em vez de benchmarks definitivos.
• Insight Central: O trabalho demonstra que o agente é eficaz na recuperação de viabilidade (levar os candidatos acima dos limiares), mas atualmente limitado na otimização dentro da viabilidade devido aos seus critérios de aceitação conservadores e falta de busca de vizinhança.
• Direção Futura: O artigo argumenta que o "design do espaço de ação" (quais edições são permitidas) é tão importante quanto o próprio planejador. Propõe que o trabalho futuro deve separar os efeitos da lógica do controlador do efeito da política de edição para quantificar verdadeiramente o valor da orquestração agêntica.

Em resumo, o Pepti-Agent fornece um framework modular e inspecionável que integra com sucesso modelos generativos e preditivos para o design de peptídeos, oferecendo um diagnóstico claro de onde os agentes baseados em ferramentas atuais têm sucesso (viabilidade) e onde falham (otimização local) em comparação com a busca exaustiva.