Resumo Técnico: OpenDDE – Um Modelo de Fundação Biomolecular de Todos os Átomos de Código Aberto

Declaração do Problema

Modelar com precisão as interações biomoleculares continua sendo um gargalo central na biologia e na descoberta de terapias. Embora avanços recentes como o AlphaFold3 e o sistema proprietário IsoDDE tenham demonstrado o potencial do co-folding (previsão conjunta de estruturas de complexos proteicos, ácidos nucleicos e ligantes) para alcançar uma precisão de nível experimental, os sistemas mais capazes permanecem de código fechado. Isso limita a reprodutibilidade, a validação independente e a extensão impulsionada pela comunidade. Além disso, as melhorias incrementais na precisão do co-folding estão desacelerando, levantando questões sobre se as atuais tokenizações, curadoria de dados e arquiteturas estão se aproximando de gargalos práticos. Há uma necessidade crítica de um modelo de fundação de todos os átomos, aberto e escalável, que possa servir como uma camada de raciocínio estrutural compartilhada para a descoberta de fármacos, indo além da previsão de estrutura isolada em direção ao design de novo e estimativa de afinidade.

Metodologia

O OpenDDE (Open Drug Discovery Engine) é introduzido como um modelo de fundação biomolecular de todos os átomos, de código aberto e licenciado sob Apache-2.0. Ele utiliza um framework baseado em difusão para gerar coordenadas atômicas, unificando a previsão de estrutura e o design condicional.

Arquitetura e Raciocínio

O OpenDDE emprega um caminho de raciocínio de grosso a fino (coarse-to-fine) que opera sobre tokens biomoleculares antes de gerar as coordenadas:

1. Tronco de Tokens de Resíduos: O modelo primeiro constrói representações simples e de pares usando um tronco do tipo Pairformer para capturar o contexto relacional global entre cadeias, resíduos e ligantes.
2. Refinamento de Tokens Estruturais: Os estados em nível de resíduo são expandidos em tokens estruturais quimicamente significativos (esqueleto, cadeia lateral, base, ligante/átomo). Um Refinador Estrutural dedicado realiza o raciocínio relacional de grão fino sobre esses tokens, refinando a geometria local, o contexto químico e as interfaces intermoleculares.
3. Raciocínio Latente Atômico: Diferente do mapeamento direto de sequência para coordenada, o OpenDDE incorpora raciocínio latente para refinar as representações da geometria local e das interfaces antes da geração final da estrutura de todos os átomos.
4. Geração por Difusão: Um gerador de coordenadas baseado em difusão remove o ruído das posições dos átomos, condicionado às representações de tokens estruturais refinadas.

Estratégia de Treinamento

O modelo é treinado com 655 milhões de parâmetros utilizando GPUs NVIDIA Ampere e Hopper. O treinamento segue um aprendizado curricular de múltiplos estágios projetado para mover-se da precisão para a amplitude e de volta à precisão:

• Curadoria de Dados: Os dados de treinamento foram filtrados com um corte de setembro de 2021 para evitar vazamento (leakage). Inclui uma mistura ponderada de dados do PDB, AFDB multimers, conjuntos de dados reproduzidos do Teddymer, monômeros do MGnify, Swiss-Prot, motivos desordenados e estruturas de anticorpos SAbDab.
• Aprendizado Curricular:
  • Estágios Iniciais: Foco em estruturas de larga escala e validadas experimentalmente para aprender padrões de dobramento precisos e geometria local.
  • Estágios Intermediários: Uso aumentado de conjuntos de dados destilados para ampliar a cobertura sobre o espaço de sequência e estrutura.
  • Estágios Posteriores: Retorno para dados experimentais de alta qualidade e específicos de tarefas (incluindo SAbDab) para melhorar a precisão atômica, o ajuste de interface e a calibração de confiança.
• Funções de Perda: O treinamento incorpora perdas de complementaridade de forma para supervisionar o ajuste de interface (recompensando contatos compatíveis e penalizando choques estéricos) juntamente com as perdas padrão de Smooth LDDT.
• Framework Unificado: A previsão de estrutura e o design de novo são tratados como instâncias do mesmo problema de denoising condicional. Ao mascarar átomos específicos (fixando-os como contexto), o modelo pode realizar a geração condicional em torno de estruturas fornecidas sem exigir uma arquitetura separada.

Leis de Escala (Scaling Laws)

Os autores investigam as leis de escala ao longo de dois eixos: tokens de treinamento estimados (passos × GPUs × tokens de recorte) e custo de treinamento estimado (tokens × parâmetros treináveis). Eles observam uma relação positiva clara e sublinear entre a escala de treinamento e o desempenho de anticorpo-antígeno (Ab-Ag), sugerindo que a modelagem biomolecular está entrando em um regime de escala semelhante ao dos grandes modelos de linguagem.

Principais Contribuições

1. Raciocínio Latente Atômico: A integração do raciocínio latente na modelagem biomolecular, permitindo que o modelo refine a geometria local e as representações de interface antes da geração de coordenadas.
2. Fundação Extensível: Uma arquitetura unificada projetada não apenas para previsão de estrutura, mas como uma camada de raciocínio estrutural compartilhada para futuros módulos, incluindo design de novo, previsão de afinidade e otimização condicionada à estrutura.
3. Escala e Destilação: Identificação empírica de direções de escala para modelos de co-folding e estratégias de destilação revisadas para estruturas monoméricas e multiméricas para melhorar a robustez e a generalização.
4. Lançamento Aberto: O lançamento do código de treinamento, pipelines de inferência, checkpoints e benchmarks sob a licença Apache-2.0, visando democratizar o acesso à inteligência biomolecular de fronteira.

Resultados

O OpenDDE foi testado contra modelos de código fechado de última geração (AlphaFold3, Chai-1) e modelos abertos (Boltz-1, OpenFold3, Protenix-v1, ESMFold2) em tarefas de previsão de estrutura anticorpo-antígeno.

• Desempenho em Benchmarks: O OpenDDE alcançou as maiores taxas de sucesso em três benchmarks principais (PXMeter-AB, FoldBench-AB e o recém-curado 2026ARK-AB).
  • No FoldBench-AB, o OpenDDE atingiu uma taxa de sucesso de 70,0% (DockQ > 0,23) sob seleção baseada em ranking, superando significativamente o próximo melhor modelo aberto (Protenix-v1 com 48,5%) e modelos fechados como o AlphaFold3 (48,8%).
  • No 2026ARK-AB (sistemas de baixa homologia, recém-lançados), o OpenDDE alcançou 66,4% de sucesso, superando o ESMFold2 (51,0%) e o Protenix-v1 (50,0%).
• Previsões de Alta Qualidade: O modelo mostrou força particular nos regimes de média e alta qualidade (DockQ > 0,49 e > 0,8), indicando uma melhoria na modelagem da geometria de ligação, e não apenas uma recuperação marginal.
• Desempenho Oracle: Sob um cenário de seleção oracle (selecionando o melhor candidato entre múltiplas amostras), o OpenDDE atingiu até 81,9% de sucesso no FoldBench-AB, sugerindo uma forte capacidade de amostragem latente.
• Escala de Tempo de Execução (Test-Time Scaling): O modelo exibe ganhos consistentes de desempenho com o aumento da amostragem no tempo de inferência (mais sementes), demonstrando que o aumento do computacional pode melhorar sistematicamente a precisão da previsão.
• Estudos de Caso: A análise qualitativa em novos sistemas biológicos (ex: PDB 8Z8V, 8ZP2, 8JYR) mostrou que o OpenDDE recupera com precisão as geometrias de ligação e as poses voltadas para o epítopo, mesmo para proteínas de membrana e estruturas recentes de criomicroscopia eletrônica (cryo-EM).

Significância e Alegações

O artigo posiciona o OpenDDE como o primeiro modelo de fundação generativo de todos os átomos licenciado via Apache que reporta atingir a precisão de co-folding de nível IsoDDE. Sua principal significância reside na:

• Democratização: Fornecer uma fundação aberta e reprodutível para a comunidade explorar, refinar e implantar inteligência biológica em escala.
• Escalabilidade: Demonstrar que modelos de co-folding podem escalar efetivamente com dados e computação, diminuindo a lacuna em relação aos sistemas proprietários.
• Fundação para Descoberta de Fármacos: Estabelecer um núcleo estrutural que pode evoluir da previsão de estruturas moleculares para o design, pontuação e otimização de candidatos terapêuticos.

Os autores explicitamente mencionam limitações, reconhecendo que as comparações com o IsoDDE são limitadas pela falta de detalhes públicos sobre a receita de treinamento deste último. Eles também esclarecem que o modelo atual é otimizado para interfaces macromoleculares (proteína-proteína, anticorpo-antígeno) e ainda não está totalmente otimizado para docking proteína-pequena molécula ou ranking de afinidade, o que exigirá futura curadoria de dados e pós-treinamento consciente da química. O OpenDDE é apresentado como o "núcleo de dobramento" de um motor de descoberta de fármacos maior e extensível, em vez de um sistema completo e autônomo.