Trustworthy Protein-Ligand Binding Affinity Prediction via Reliability-Aware Multi-Engine Fusion

Resumo Técnico: Predição de Afinidade de Ligação Proteína–Ligante Confiável via Fusão de Múltiplos Motores com Consciência de Confiabilidade

Definição do Problema
A predição precisa da afinidade de ligação proteína–ligante é um pilar fundamental da descoberta de fármacos computacional, mas os modernos motores de docking frequentemente produzem predições conflitantes sem indicar em qual resultado confiar. Embora métodos de pontuação por consenso e métodos de ensemble melhorem a precisão média, eles tipicamente tratam todas as predições de forma idêntica, carecendo de medidas de confiança interpretáveis ou decomposição de incerteza. Crucialmente, as abordagens existentes ignoram o contexto químico de pares específicos proteína–ligante, falhando em distinguir entre incerteza aleatória (ruído inerente aos dados) e incerteza epistêmica (ignorância do modelo). Além disso, métodos de quantificação de incerteza (UQ) de modelo único não conseguem capturar a incia de incerteza epistêmica adicional decorrente do desacordo entre diversos motores, que dependem de diferentes pressupostos, funções de pontuação e dados de treinamento.

Metodologia: RELIABLE-BA
Os autores propõem o RELIABLE-BA (RELIABiLity-aware Evidential fusion for Binding Affinity), um framework evidencial projetado para fundir múltiplos motores de docking enquanto considera a confiabilidade dependente do contexto. O framework opera em três etapas principais:

1. Modelagem de Especialista Evidencial: Cada motor de docking é modelado como um especialista evidencial. Em vez de produzir uma única estimativa pontual, cada motor $i$ prevê os parâmetros de uma distribuição Normal–Inversa-Gamma (NIG), $(\gamma_i, \nu_i, \alpha_i, \beta_i)$, que captura tanto a média prevista quanto a incerteza. Isso permite uma decomposição em forma fechada da incerteza em componentes aleatórios (ruído de dados) e epistêmicos (incerteza do modelo).
2. Escalonamento Consciente da Confiabilidade: Uma rede de confiabilidade, condicionada a embeddings moleculares compartilhados (derivados de ESM-2 para proteínas e ChemBERTa para ligantes), aprende uma pontuação de confiabilidade $r_i(x) \in (0, 1)$ para cada motor com base no contexto específico da proteína–ligante. Essas pontuações modulam a incerteza epistêmica de cada especialista via uma transformação de escalonamento. Especificamente, a pontuação de confiabilidade escala os parâmetros de evidência ($\nu$ e $\alpha$) para aumentar a incerteza epistêmica para especialistas menos confiáveis em um determinado contexto, preservando a média preditiva ($\gamma$) do especialista.
3. Agregação MoNIG: Os especialistas escalonados pela confiabilidade são fundidos usando uma agregação de Mistura de Normal–Inversa-Gamma (MoNIG). Este método emprega um operador de soma em forma fechada que combina as distribuições NIG, acumulando tanto a incerteza dentro do especialista quanto o desacordo entre motores. A regra de fusão garante que predições conflitantes de diferentes motores resultem em maior incerteza epistêmica no output final.

O modelo é treinado de ponta a ponta usando um objetivo conjunto que minimiza a log-verossimilhança marginal negativa (NLL) tanto no nível do especialista individual quanto no nível do MoNIG fundido, com regularização para evitar a acumulação excessiva de evidência durante erros de predição elevados.

Principais Contribuições

1. Primeiro Framework Evidencial de Múltiplos Motores: O RELIABLE-BA é apresentado como o primeiro framework de afinidade de ligação de múltiplos motores que combina quantificação de incerteza evidencial com modelagem de confiabilidade dependente do contexto.
2. Mecanismo de Escalonamento de Confiabilidade: Os autores introduzem um mecanismo inovador que escala a incerteza epistêmica com base em pontuações de confiabilidade aprendidas sem alterar as médias preditivas individuais, permitindo uma fusão coerente via MoNIG.
3. Capacidade de Predição Seletiva: O framework permite a tomada de decisão consciente de riscos ao filtrar predições com base na confiança, demonstrando a capacidade de reduzir significativamente o erro de predição ao reter apenas os pares de alta confiança.

Resultos Experimentais
Os autores avaliaram o RELIABLE-BA no benchmark PDBbind 2020 (usando um protocolo de divisão temporal) e no conjunto de teste independente BDB2020+. Validações adicionais foram realizadas no dataset do SARS-CoV-2 $M^{pro}$ e no receptor 5HT2A (um GPCR).

• Predição de Ponto: O RELIABLE-BA alcançou uma precisão de predição de ponto competitiva, atingindo o menor Erro Médio Absoluto (MAE) de 0,8247 e o maior $R^2$ de 0,7017 no conjunto de teste PDBbind, superando tanto os motores individuais quanto as bases de agregação tradicionais (ex: pontuação por consenso, ensembles profundos). No conjunto independente BDB2020+, alcançou um MAE de 0,722.
• Calibração de Incerteza: O modelo demonstrou uma calibração de incerteza substancialmente melhorada em comparação com os baselines. No PDBbind, reduziu o Erro de Calibração Esperado (ECE) em 71,2% em relação à regressão evidencial padrão.
• Predição Seletiva: Ao descartar predições de baixa confiança, o RELIABLE-BA reduziu o MAE em até 25,7% ao reter apenas os 10% de predições mais confiantes.
• Estudos de Ablação: Experimentos confirmaram que a modelagem de confiabilidade dependente do contexto é crítica; remover tal modelagem ou usar pesos uniformes degradou tanto a precisão quanto a qualidade da incerteza. Além disso, aumentar o número de motores heterogêneos (de 2 para 4) melhorou consistentemente tanto a precisão quanto a calibração.
• Estudos de Caso: O método manteve um forte desempenho no dataset do SARS-CoV-2 $M^{pro}$ e no receptor 5HT2A, demonstrando aplicabilidade a alvos clinicamente relevantes e robustez sob mudança de distribuição.

Significância e Alegações
O artigo afirma que o RELIABLE-BA oferece um caminho principado para a descoberta de fármacos guiada por IA confiável. Ao fornecer estimativas de incerteza calibradas que refletem tanto as limitações dos motores individuais quanto o desacordo entre motores, o framework permite que profissionais priorizem predições de alta confiança para validação experimental, reduzindo assim falsos positivos custosos. Os autores posicionam o RELIABLE-BA como uma abordagem prática para triagem virtual consciente da incerteza, particularmente para alvos terapêuticos desafiadores como GPCRs, onde a flexibilidade conformacional e a representação limitada de dados de treinamento impõem dificuldades significativas de modelagem. O trabalho enfatiza que o framework é modular, permitindo a integração de diversos motores de docking não redundantes para aumentar a robustez em pipelines de triagem em larga escala.