🧬 biology

JEDEL: Zero-Shot DNA-Encoded Library Design for Early-Stage Drug Discovery

O JEDEL é um novo framework zero-shot que traduz diretamente representações de farmacóforos 3D de ligantes ativos em bibliotecas codificadas por DNA experimentalmente realizáveis e prontas para síntese, ao mapear padrões de interação para rotas combinatórias escaláveis usando blocos de construção comercializáveis, superando assim os baselines existentes em múltiplos alvos proteicos sem exigir retreinamento específico para o alvo.

Autores originais: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Publicado 2026-06-24

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Zygimantas Jocys, Zhanxing Zhu, Henriette M. G. Willems, Katayoun Farrahi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine que você é um mestre chef tentando criar um novo prato que combine perfeitamente com o gosto de um cliente específico. No mundo da descoberta de fármacos, o "cliente" é uma proteína causadora de doenças, e o "gosto" é uma forma 3D específica de características químicas (como uma fechadura e uma chave) na qual o fármaco precisa se encaixar.

Por muito tempo, os cientistas usaram computadores para imaginar milhões de novas "receitas" (moléculas de fármacos) que poderiam se encaixar nesta fechadura. Mas há um grande problema: a maioria das receitas geradas por computador é impossível de cozinhar. Elas podem exigir ingredientes que você não consegue comprar ou etapas de cozimento que não existem na vida real. Os cientistas passam meses tentando descobrir como realmente fazer essas ideias virtuais, apenas para perceber que elas não podem ser construídas.

O JEDEL é uma nova ferramenta que resolve isso invertendo a lógica. Em vez de imaginar um prato e depois tentar encontrar os ingredientes para ele, o JEDEL começa com os ingredientes que você já tem na despensa e projeta um prato que é garantidamente capaz de ser cozinhado.

Aqui está como o JEDEL funciona, usando analogias simples:

1. A "Despensa" vs. O "Menu dos Sonhos"

O Jeito Antigo (Menu dos Sonhos): O computador sonha com uma molécula perfeita. Então, os químicos têm que correr pelo mundo tentando encontrar os ingredientes. Frequentemente, eles não conseguem, e o sonho é descartado.
O Jeito JEDEL (A Despensa Primeiro): O JEDEL olha para uma enorme "despensa" do mundo real com mais de 200.000 blocos de construção químicos que os cientistas podem realmente comprar hoje. Ele só projeta moléculas usando esses blocos específicos e disponíveis. Se o JEDEL sugerir uma molécula, ela é garantida como algo que um laboratório pode construir imediatamente.

2. O "Projeto" (Farmacóforo)

O artigo explica que muitos fármacos funcionam ao corresponder a um padrão 3D específico de características (como uma ligação de hidrogênio aqui, um ponto hidrofóbico ali). Esse padrão é chamado de farmacóforo.

Pense no farmacóforo como um projeto ou um molde.
O JEDEL pega este projeto (derivado de fármacos conhecidos e ativos) e pergunta: "Qual combinação de ingredientes reais e compráveis posso misturar para preencher este molde perfeitamente?"

3. O "Tradutor Inteligente" (O Mecanismo de IA)

O núcleo do JEDEL é uma arquitetura de IA especial (chamada de Arquitetura Preditiva de Incorporação Conjunta).

Imagine um tradutor que fala duas línguas: Geometria (a forma 3D do projeto) e Química (a lista de blocos de construção).
Normalmente, uma forma pode ser construída de muitas maneiras diferentes (um-para-muitos). O JEDEL aprende a prever a melhor "receita" química que se ajusta à forma 3D sem se confundir. Ele não apenas adivinha; ele aprende a conexão profunda entre a forma necessária e os ingredientes disponíveis.

4. O "Livro de Receitas" (Bibliotecas Codificadas por DNA)

O JEDEL não projeta apenas uma molécula; ele projeta uma biblioteca inteira de moléculas.

Pense nisso como uma biblioteca codificada por DNA. É como um catálogo gigante onde cada item possui um código de barras de DNA exclusivo.
O JEDL projeta um catálogo focado de milhões de potenciais fármacos. Como ele utiliza apenas ingredientes reais e etapas de cozimento reais (reações), cada item único neste catálogo está pronto para ser "cozinhado" (sintetizado) e testado imediatamente.

O Que Eles Descobriram?

Os pesquisadores testaram o JEDEL em 18 alvos proteicos diferentes (como diferentes tipos de fechaduras). Eles compararam o JEDEL contra:

Seleção Aleatória: Escolher ingredientes cegamente.
Bibliotecas de Diversidade Padrão: Escolher uma grande variedade de ingredientes sem um objetivo específico.

Os Resultados:

Melhor Ajuste: As moléculas do JEDEL se encaixam nos "fechaduras" (proteínas) muito melhor do que as opções aleatórias ou padrão.
Maior Taxa de Sucesso: Quando procuraram por moléculas que realmente funcionavam (hits), o JEDEL as encontrou 2,6 vezes mais frequentemente do que a biblioteca de diversidade padrão.
Poder de Zero-Shot: A parte mais legal? O JEDEL não precisou ser retreinado para cada nova proteína. Ele aprendeu as regras gerais de "ajustar uma forma com ingredientes reais" e as aplicou a novos alvos imediatamente, como um chef que consegue cozinhar uma refeição perfeita para um novo cliente sem precisar de um novo livro de receitas.

A Conclusão

O JEDEL preenche a lacuna entre a imaginação computacional e a química do mundo real. Ele impede que os cientistas imaginem moléculas impossíveis de construir e os inicia com candidatos "prontos para síntese" que são garantidamente construíveis, focados na forma específica que precisam e prontos para a bancada do laboratório. Ele transforma o processo de descoberta de fármacos de um jogo de "adivinhar e verificar" em uma estratégia de design precisa e direcionada.

Resumo Técnico: JEDEL – Design de Bibliotecas Codificadas por DNA com Zero-Shot

Problema
Existe uma lacuna persistente entre o design molecular generativo computacional e a validação experimental. A maioria dos modelos generativos existentes produz compostos virtuais que carecem de garantias de acessibilidade sintética, exigindo um extenso planejamento de retro-síntese a jusante e, frequentemente, falhando em chegar à bancada do laboratório. Por outro lado, plataformas experimentais como as bibliotecas codificadas por DNA (DELs) dependem de bibliotecas físicas fixas que não podem ser refinadas dinamicamente com base em hipóteses computacionais. Embora as DELs ofereçam um formato de triagem escalável baseado em esferas (beads), onde cada membro é teoricamente sintetizável, as abordagens atuais de aprendizado de máquina para DELs limitam-se à análise pós-triagem (ex: redução de ruído em dados de sequenciamento) em vez do design da biblioteca pré-triagem. Além disso, muitos alvos terapeuticamente relevantes carecem de estruturas proteicas precisas, tornando o design baseado em estrutura pouco confiável. Representações de farmacóforos 3D baseadas em ligantes oferecem uma alternativa robusta, mas nenhum método existente traduz com sucesso essas restrições farmacofóricas diretamente em sequências de blocos de construção (building blocks) de DEL prontas para síntese.

Metodologia
Os autores apresentam o JEDEL (Joint Embedding for DNA-Encoded Libraries), um framework que mapeia geometrias farmacofóricas 3D diretamente para sequências de blocos de construção de DEL prontas para síntese. A arquitetura é projetada para operar estritamente dentro do espaço de blocos de construção comercializáveis e reações validadas, garantindo que cada saída seja experimentalmente realizável por construção.

Arquitetura: O JEDEL utiliza uma Arquitetura Preditiva de Embedding Conjunto (JEPA).
- Codificador de Contexto: Utiliza uma Rede Neural de Grafos E(n)-equivariante (P4-EGNN) para codificar nuvens de pontos farmacofóricos 3D (características hidrofóbicas, aromáticas, doadores/aceitores de ligação de hidrogênio, ionizáveis), respeitando simetrias de rotação e translação.
- Codificador de Alvo: Utiliza uma GNN de passagem de mensagens para codificar a topologia molecular.
- Objetivo Preditivo: Em vez de aprendizado contrastivo (que tem dificuldade com o mapeamento de um-para-muitos entre farmacóforos e diversos scaffolds moleculares), o JEDEL utiliza um objetivo preditivo. Um MLP preditor aprende a mapear o embedding de contexto do farmacóforo para o embedding topológico do alvo. Um codificador de alvo com Média Móvel Exponencial (EMA) evita o colapso de representação.
- Decodificador Hierárquico: Para gerenciar um vocabulário de mais de 200.000 reagentes comercializáveis, o decodificador utiliza um softmax bayesiano hierárquico. Ele primeiro seleciona um cluster grosseiro (baseado no papel da reação e perfil farmacofórico) e, em seguida, um bloco de construção específico dentro desse cluster. Isso reduz a dimensionalidade da saída de $O(|V|)$ para $O(C + K)$ , permitindo a geração escalável em uma única GPU.
Dados de Treinamento: O modelo é treinado em 8 milhões de rotas de síntese enumeradas a partir de 217.067 blocos de construção comercialmente disponíveis da Enamine compatíveis com sete tipos de reações DEL (ex: acoplamento de amida, condensação de Ugi, acoplamento de Suzuki-Miyaura). O treinamento é realizado sem informações de proteína específicas do alvo, baseando-se apenas em pares farmacóforo-molécula.

Principais Contribuições

Garantia de Síntese por Construção: Ao contrário de métodos que geram moléculas virtuais que exigem filtragem post-hoc, o JEDEL gera moléculas diretamente como sequências de blocos de construção comercializáveis e etapas de reação. Cada saída corresponde a um protocolo de síntese de DEL executável.
Generalização Zero-Shot: O modelo não requer retreinamento para alvos proteicos específicos. Ele se generaliza através de diversas famílias de proteínas (proteases, quinases, GPCRs, etc.) condicionando-se em farmacóforos derivados de ligantes em vez de estruturas proteicas.
Preenchimento da Lacuna: O JEDEL é o primeiro framework a conectar o design molecular orientado por farmacóforo diretamente à construção de bibliotecas combinatórias, fechando o ciclo do hipotese computacional ao deployment experimental.

Resultados
O JEDEL foi avaliado em 18 alvos proteicos diversos contra dois baselines: enumeração aleatória de DEL e uma biblioteca de diversidade curada da Enamine (100k compostos).

Afinidade de Ligação: O JEDEL alcançou a menor energia média de docking (−7,49 kcal mol⁻¹) em todos os alvos, superando a Enamine (−7,39) e a amostragem Aleatória (−6,28). Identificou a molécula com melhor pontuação única em 8 de 18 alvos (44%).
Recuperação de Farmacóforo: O JEDEL demonstrou fidelidade superior na recuperação de características farmacofóricas de referência, alcançando uma recuperação média de P4 de 89,3% e uma similaridade de Jaccard de 0,761, comparado a 88,1%/0,751 para Enamine e 78,1%/0,694 para Aleatório.
Eficiência de Amostragem: O JEDEL mostrou uma vantagem de 2,6 vezes em eficiência de amostragem (taxa de hit mediana de 14,0%) sobre o baseline de diversidade da Enamine (5,4%). A melhoria foi mais pronunciada em alvos "difíceis", onde a triagem convencional falha; para alvos com baixas taxas de hit da Enamine (≤6,3%), o JEDEL alcançou uma taxa média de hit de 2,9% contra 0,3% para a Enamine.
Qualidade Química: As moléculas geradas exibiram alta validade química (100%), unicidade (99,3%) e novidade (99,9%), com propriedades de drug-likeness (QED médio 0,64) e perfis físico-químicos consistentes com a distribuição de treinamento.

Significância e Alegações
O artigo afirma que o JEDEL representa uma mudança qualitativa no pipeline de descoberta de fármacos. Ao incorporar restrições sintéticas diretamente no modelo generativo, ele elimina o descompasso entre propostas computacionais e viabilidade experimental. Os autores enfatizam que o JEDEL permite o design de bibliotecas focadas e orientadas por hipóteses na escala de $10^3$ – $10^4$ típica de plataformas baseadas em esferas, onde cada composto é selecionado para satisfazer requisitos farmacofóricos específicos.

Os autores observam limitações, incluindo a dependência de scores de docking como um proxy para afinidade de ligação (que pode perder efeitos entrópicos ou mediados por água) e a restrição atual a sete tipos de reações. Eles afirmam que a validação experimental via síntese de DEL baseada em esferas e triagem de afinidade é necessária para confirmar que as previsões computacionais se traduzem em atividade de ligação medida. No entanto, o framework estabelece uma conexão prática e zero-shot entre o design orientado por farmacóforo e a construção de bibliotecas combinatórias, oferecendo um caminho direto da hipótese computacional para o deployment experimental.