Resumo Técnico: SynLaD

Declaração do Problema

O design de fármacos baseado em ligantes (LBDD) depende de perfis farmacofóricos — arranjos espaciais de características de interação como doadores de ligação de hidrogênio, aceitores e hidrofóbicos — para guiar a descoberta de novas moléculas bioativas. Embora os modelos generativos atuais consigam capturar efetivamente formas moleculares 3D desejadas e distribuições farmacofóricas, eles frequentemente produzem moléculas que são sinteticamente inacessíveis. Por outro lado, métodos generativos conscientes da síntese falham em condicionar-se a características químicas 3D ricas, limitando sua capacidade de projetar moléculas com propriedades de ligação específicas. Isso cria um gargalo onde os modelos ou otimizam para a forma às custas da sintetizabilidade ou vice-versa, dificultando a descoberta de hits de alto escore e experimentalmente viáveis.

Metodologia

Os autores propõem o SynLaD (Síntese-consciente de Difusão Latente), um framework de difusão latente condicional que unifica o design molecular 3D com a acessibilidade sintética. A arquitetura opera em dois estágios distintos:

1. Autoencoder Variacional de Múltiplas Cabeças (Estágio 1)

Um codificador compartilhado mapeia moléculas 3D (representadas por tipos de átomos discretos e coordenadas contínuas) em um espaço latente contínuo. Esta representação latente é decodificada por duas cabeças especializadas:

• Decodificador 3D: Um transformer com uma máscara bidirecional reconstrói os tipos de átomos e as coordenadas 3D, garantindo fidelidade geométrica.
• Decodificador de Síntese: Um transformer autorregressivo gera um caminho de síntese serializado (uma sequência linear de tokens representando um Grafo Acíclico Dirigido de reações). Este decodificador utiliza atenção cruzada (cross-attention) para condicionar-se ao vetor latente.
• Objetivo de Treinamento: Os decodificadores são treinados conjuntamente usando uma função de perda ponderada que combina perdas de entropia cruzada e MSE para reconstrução 3D, e entropia cruzada para a reconstrução da sequência de síntese, regularizada por um termo de divergência KL para alinhar o espaço latente com uma distribuição normal padrão.

2. Difusão Latente Condicional (Estágio 2)

Um Transformer de Difusão (DiT) é treinado no espaço latente aprendido no Estágio 1.

• Condicionamento: O processo de difusão é condicionado em perfis farmacofóricos, representados como tipos de características discretas (ex: doador, aceitador, anel aromático) e suas respectivas coordenadas 3D. Estes são incorporados via um codificador transformer e injetados no DiT através de atenção cruzada.
• Geração: Durante a inferência, o DiT amostra novos vetores latentes condicionados a um farmacóforo alvo. Esses latentes são então decodificados pelas cabeças 3D e de síntese.
• Predição de Reação: Como o decodificador de síntese produz uma sequência de reagentes e tipos de reação, mas não a identidade do produto final durante a geração, um oráculo de predição de reação separado (baseado em BART) é empregado para inferir a estrutura do produto a partir dos reagentes gerados.

Principais Contribuições

1. Espaço Latente de Duplo Constrangimento: O artigo introduz um espaço latente que acopla duas representações complementares, mas frequentemente concorrentes: a estrutura molecular 3D e os planos de síntese. O treinamento conjunto incentiva os latentes a serem simultaneamente decodificáveis em geometrias válidas e rotas sintéticas executáveis.
2. Geração Latente Condicionada por Farmacóforo: Diferente de modelos anteriores restritos à síntese que dependem de templates de reação fixos ou que não se condicionam a características 3D brutas, o SynLaD usa um modelo de difusão para amostrar latentes condicionados a perfis farmacofóricos 3D ricos. Isso permite o design direcionado sem ser restrito a um espaço químico pré-definido e estreito.
3. Protocolo de Avaliação End-to-End: Os autores propõem um protocolo que avalia conjuntamente diversidade, sintetizabilidade e descoberta de hits condicionada ao alvo, contrastando explicitamente seu método contra triagens de biblioteca e outras linhas de base amortizadas/não-amortizadas.

Resultados Experimentais

O modelo foi avaliado no dataset USPTO para treinamento e no benchmark Lit-PCBA para diversificação de hits bioativos.

• Geração Incondicional: O SynLaD iguala a qualidade da molécula (validade, diversidade, novidade) de seus contrapartes treinados separadamente, enquanto melhora consistentemente a fração de amostras com rotas sintéticas plausíveis. O treinamento conjunto mostrou melhorar a sintetizabilidade das moléculas decodificadas pela cabeça 3D, sugerindo que a cabeça de síntese direciona a geração para regiões latentes mais viáveis.
• Geração Condicionada por Farmacóforo: Em tarefas de distribuição interna (in-distribution), o SynLaD gerou amostras com significativamente maior similaridade de farmacóforo 3D e de forma em relação às moléculas de consulta comparado a uma linha de base de moléculas de treinamento selecionadas aleatoriamente, mantendo alta sintetizabilidade.
• Estudo de Caso de Triagem: Quando comparado a uma triagem bruta de ROCS sobre uma biblioteca de ~67k moléculas, o SynLaD alcançou contagens de hits mais altas usando quase duas ordens de magnitude menos amostras (1.000 geradas vs. 67.000 triadas).
• Diversificação de Hits Bioativos: No benchmark Lit-PCBA, o SynLaD superou as linhas de base, incluindo ShEPhERD (difusão 3D), SynFormer (síntese consciente de 2D) e REINVENT (baseado em RL). Especificamente, o decodificador de síntese do SynLaD produziu candidatos com maior sobreposição de forma/cor ROCS e mais hits que o SynFormer, enquanto seus outputs 3D superaram o ShEPhERD em contagem de hits e sintetizabilidade.
• Estudos de Ablação: Remover o VAE 3D e o módulo de difusão (condicionando o decodificador de síntese diretamente nos farmacóforos) levou a uma queda substancial nas contagens de hits e na diversidade, demonstrando a necessidade do componente latente consciente da estrutura. Da mesma forma, substituir o VAE 3D por um VAE baseado em SMILES reduziu a qualidade dos hits, confirmando o valor do aprendizado de representação 3D explícita.

Significância e Alegações

O artigo afirma que o SynLaD demonstra que um único modelo pode produzir moléculas alinhadas em forma com planos de síntese viáveis, efetivamente preenchendo a lacuna entre o condicionamento de características químicas 3D e a geração de moléculas sintetizáveis. Os autores afirmam que sua abordagem mitiga o "gargalo de template" de métodos baseados em templates de reação e evita as proibições computacionais da triagem bruta.

O trabalho destaca que o treinamento conjunto de decodificadores para estrutura 3D e caminhos de síntese é mutuamente benéfico: aumenta a sintetizabilidade das moléculas decodificadas em 3D e melhora a capacidade do decodificador de síntese em satisfazer restrições de forma. Os autores concluem que condicionar um decodificador de síntese autorregressivo através de uma representação latente informada por 3D resulta em um alto número de hits diversos, sintetizáveis e alinhados ao farmacóforo, potencialmente acelerando a descoberta de fármacos em estágio inicial ao reduzir a dependência de pipelines de triagem experimental dispendiosos.

Os autores permanecem modestos quanto às limitações, observando que o framework atualmente depende de preditores de reação externos (o que introduz potencial viés) e é limitado ao dataset USPTO. Eles sugerem que trabalhos futuros poderiam envolver a escala para datasets de reação maiores (ex: Pistachio) e a melhoria do acordo entre os decodificadores cruzados.