Resumo Técnico: Como Gastar seu Orçamento de Oráculo para Predição de Estrutura de Proteínas

Declaração do Problema

Modelos de fundação para predição de estrutura de proteínas (ex: AlphaFold3, Chai-1, Boltz-2) demonstraram alta precisão, mas permanecem pouco confiáveis em alvos específicos, podendo colapsar em conformações únicas, produzir geometrias fisicamente implausíveis ou montar complexos incorretamente. Para mitigar isso, pesquisadores utilizam "oráculos" externos (ex: simulações de dinâmica molecular ou cálculos de energia de ligação) para pontuar e sinalizar predições não confiáveis. No entanto, esses oráculos biológicos são computacionalmente caros e frequentemente não diferenciáveis, criando uma restrição crítica conhecida como orçamento de oráculo.

Embora métodos de orientação existentes — como o direcionamento por inferência (FK-steering), ajuste fino (DPO) e amostragem Best K-of-N — utilizem pontuações de oráculo para melhorar os resultados, não há uma comparação sistemática de como esses métodos performam sob diferentes restrições de orçamento. O problema central abordado é determinar qual estratégia de orientação é mais eficaz dado um número limitado de avaliações do oráculo ($N$).

Metodologia

Os autores testam quatro estratégias de orientação aplicadas ao modelo de predição de estrutura de proteína Boltz-2 em dois alvos proteicos: calmodulina (1CLL) e E. coli aspartato transcarbamoilase (9EEH). Os métodos são avaliados sob um orçamento fixo de $N$ chamadas de oráculo para retornar um lote de $K$ estruturas candidatas.

1. Otimização Bayesiana via O3 (Otimização Sobre Saídas)

Esta abordagem, adaptada de Willis et al. (2025), trata o problema de orientação como uma tarefa de otimização de caixa-preta de baixa dimensão.

• Construção de Subespaço: O método primeiro amostra $M$ estruturas iniciais e seleciona as $d$ sementes superiores com base nas pontuações do oráculo. Ele constrói um subespaço de baixa dimensão $\mathcal{U}$ dentro do espaço latente do modelo usando essas sementes.
• Mapeamento: Um gráfico substituto $\phi$ mapeia pontos em $\mathcal{U}$ para o espaço latente via uma transformada de Knothe–Rosenblatt (para gerar pesos em um simplex) e uma projeção LOL (para mapear os pesos de volta para o espaço latente).
• Otimização: Um modelo substituto de Processo Gaussiano (GP) é ajustado dentro de $\mathcal{U}$ usando as sementes iniciais e amostras aleatórias. A Otimização Bayesiana (especificamente o Log Expected Improvement) é então usada para consultar o orçamento restante de $N-M$ para encontrar pontos ótimos neste subespaço.

2. FK-Steering (Feynman-Kac)

Um método de tempo de inferência que altera a trajetória de amostragem sem modificar os pesos do modelo.

• Mecanismo: Ele gera $M$ partículas interagentes (processos estocásticos) através do processo generativo.
• Reamostragem: Em etapas intermediárias de denoising, as partículas são reamostradas proporcionalmente aos pesos derivados do sinal de recompensa do oráculo. A diferença de recompensa entre as etapas é usada para favorecer partículas com recompensas crescentes.
• Alocação de Orçamento: O orçamento total $N$ é distribuído entre $M$ partículas, determinando o número de etapas de reamostragem.

3. Otimização de Preferência Direta (DPO)

Uma abordagem de ajuste fino que atualiza os parâmetros do modelo com base em pares pontuados pelo oráculo.

• Mecanismo: O modelo é ajustado para aumentar a verossimilhança de estruturas preferidas ($x_w$) sobre as rejeitadas ($x_l$) usando um objetivo regularizado por KL.
• Variantes: O artigo avalia tanto o DPO offline (treinamento em um lote fixo de $N$ amostras) quanto o DPO online (intercalando amostragem e treinamento, resetando o modelo de referência em cada época).
• Aproximação: Como as log-verossimilhanças de difusão são caras de calcular, o método aproxima a razão de log-verossimilhança usando diferenças em perdas de treinamento (LDSM).

4. Amostragem Best K-of-N

Uma abordagem de linha de base onde $N$ amostras são extraídas independentemente, e as $K$ melhores estruturas com as maiores pontuações do oráculo são retornadas.

Configuração Experimental

• Oráculo: O principal oráculo é o TM-score (Template Modeling score) contra uma estrutura PDB de verdade fundamental (1CLL), escolhido pela eficiência computacional. Um experimento secundário utiliza o oráculo MolProbity em 9EEH.
• Orçamentos: As avaliações abrangem seis configurações de $(N, K)$: $(20, 2), (50, 5), (100, 10), (200, 20), (500, 50), (1000, 100)$.
• Métricas: O desempenho é medido por Mean-of-K (qualidade média do lote) e Max-of-K (qualidade da melhor estrutura única).

Resultados Principais

Desempenho Através dos Orçamentos

O estudo revela que nenhum método domina sozinho em todos os tamanhos de orçamento; a eficácia é altamente dependente do orçamento de oráculo disponível:

• Orçamentos Baixos a Médios ($N \le 1000$): O O3 supera significativamente todos os outros métodos. Em $N=20$, o FK-steering e o DPO performam mal (próximo ao nível da linha de base), enquanto o O3 atinge um TM-score de Mean-of-K de $\sim0.81$ em $N=1000$, estabilizando-se bem acima da linha de base Best K-of-N ($\sim0.60$).
• Orçamentos Altos: FK-steering e DPO mostram melhoria constante conforme $N$ aumenta. O FK-steering atinge $\sim0.73$ em $N=1000$, superando o DPO ($\sim0.71$), mas permanecendo abaixo do desempenho do O3 na faixa testada.
• Best K-of-N: Esta linha de base permanece relativamente estável em todos os orçamentos, servindo como um limite inferior para métodos de orientação mais sofisticados em orçamentos baixos.

Descobertas Específicas do Método

• O3: O ganho de desempenho provém da combinação da construção de subespaço de baixa dimensão e do otimizador Bayesiano. A dimensão ideal do subespaço ($d$) varia com o orçamento (ex: $d=6$ é ótimo para $N=20$, enquanto $d=10$ é melhor para $N=200$), indicando um compromisso entre riqueza de subespaço e dificuldade de otimização.
• FK-Steering: Aumentar o coeficiente de escala de recompensa ($\lambda$) melhora o desempenho, mas pode reduzir a diversidade do output. Aumentar o número de etapas de reamostragem (ao custo da contagem de partículas) geralmente produz melhores resultados em orçamentos mais altos.
• DPO: O DPO online (resetando o modelo de referência) oferece um compromisso: ele suaviza a regularização KL, mas enfraquece a influência do modelo pré-treinado. Dentro das configurações testadas, o DPO não superou o FK-steering ou o O3.

Significância e Alegações

O artigo afirma fornecer a primeira referência prática para selecionar estratégias de orientação baseadas em restrições de orçamento de oráculo na predição de estrutura de proteínas.

• Orientação Prática: Os autores destilam suas descobertas em recomendações acionáveis: profissionais com orçamentos de oráculo escassos (comuns em ambientes de laboratório úmido biológico) devem utilizar o O3 (Otimização Sobre Saídas), pois ele aproveita um pequeno número de sementes de alta qualidade para definir um espaço de busca eficiente. Por outro lado, se o orçamento for maior, o FK-steering torna-se uma alternativa competitiva.
• Contribuição Metodológica: O trabalho estende o framework O3, originalmente proposto para modelos generativos gerais, para o domínio específico da predição de estrutura de proteínas, demonstrando sua eficácia em um cenário de oráculo de alta dimensão e não diferenciável.
• Limitações: O estudo reconhece que, embora o TM-score tenha sido usado para benchmarking extensivo, os compromissos identificados aplicam-se a oráculos biológicos caros e não diferenciáveis. Os resultados são específicos para o modelo Boltz-2 e os alvos proteicos testados, embora os autores sugiram que o compromisso dependente do orçamento é um fenômeno geral.

Em resumo, o artigo argumenta que a escolha do método de orientação não é universal, mas depende criticamente do custo do oráculo, com o O3 oferecendo uma vantagem distinta em cenários de recursos limitados.