BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature

O artigo apresenta o BioMiner, um sistema multi-modal que automatiza a extração de dados de bioatividade proteína-ligante da literatura científica separando a interpretação semântica da construção de estruturas químicas, validado por um novo benchmark abrangente e demonstrando aplicações práticas que aceleram a descoberta de fármacos e melhoram o desempenho de modelos preditivos.

O essencial

Imagine que você é um detetive de drogas, tentando descobrir quais moléculas (os "heróis") combatem quais proteínas (os "vilões") no corpo humano. Para isso, você precisa de dados: qual é a força do herói? Qual é o nome do vilão?

O problema é que essas informações estão escondidas em milhões de artigos científicos, espalhados como agulhas em um palheiro. Alguns dados estão no texto, outros em tabelas chatas, e os mais importantes estão em desenhos complexos de moléculas (química).

Até hoje, para encontrar essas agulhas, precisávamos de uma legião de cientistas humanos lendo, desenhando e digitando manualmente. É lento, caro e a literatura científica cresce mais rápido do que eles conseguem ler.

É aqui que entra o BIOMINER.

O que é o BIOMINER?

Pense no BIOMINER como um super-robô detetive com óculos de raio-X e um cérebro de químico. Ele foi criado para ler automaticamente esses milhões de artigos e extrair os dados de bioatividade (a força da interação entre a droga e a proteína) sem precisar de ajuda humana constante.

Mas por que é tão difícil?

1. A Linguagem Mista: O artigo tem texto, tabelas e desenhos. O robô precisa entender que "Figura 3" e "Composto A" no texto são a mesma coisa.
2. O Desafio dos "Blocos de Lego" (Estruturas Markush): Muitas vezes, os cientistas não desenham uma única molécula, mas sim um "esqueleto" com várias opções de peças que podem ser encaixadas (como um Lego onde você pode trocar a cor da peça vermelha por azul, verde ou amarela). O robô precisa entender esse esqueleto e gerar todas as moléculas específicas possíveis a partir dele. É como se o robô precisasse montar todas as variações de um carro possível a partir de um único desenho de chassi.

Como o BIOMINER funciona? (A Analogia da Cozinha)

O BIOMINER não tenta fazer tudo de uma vez (o que causaria confusão). Ele divide o trabalho em duas equipes especializadas, como em uma cozinha de restaurante de luxo:

1. O Chef de Sabor (Interpretação Semântica): Ele lê o texto e as tabelas para entender o "gosto" dos dados. Ele diz: "Ah, aqui diz que o composto X matou 50% das bactérias a uma concentração de 10 nanogramas". Ele entende o significado, mas não desenha a molécula.
2. O Chef de Montagem (Construção Química): Este é o especialista em química. Ele olha para os desenhos das moléculas. Se for uma molécula simples, ele a copia. Se for aquele "esqueleto com opções" (Markush), ele usa ferramentas de química para montar todas as variações possíveis, garantindo que a estrutura química seja perfeita e válida.

Depois, eles se encontram na mesa: o Chef de Sabor entrega o dado ("10 nanogramas") e o Chef de Montagem entrega a molécula exata. Juntos, eles criam o registro completo.

O Grande Teste: BIOVISTA

Para ver se o robô era bom, os criadores não confiaram apenas na opinião deles. Eles criaram um campeonato de testes chamado BIOVISTA.
Imagine um "Olimpíada de Detetives" onde eles pegaram 500 artigos reais, com 16.000 dados escondidos, e pediram para o BIOMINER encontrar tudo.

• O resultado? O BIOMINER conseguiu encontrar e montar os dados corretamente em cerca de 1/3 dos casos (o que é impressionante para algo tão complexo).
• Para comparação, se você tentasse fazer isso "de uma vez só" sem dividir as tarefas (como tentar comer um bolo inteiro de uma mordida), o robô falharia quase completamente.

Para que serve isso na vida real?

O BIOMINER não é apenas um experimento de laboratório. Ele já está sendo usado de três formas incríveis:

1. A Biblioteca Infinita: Em apenas dois dias, o robô leu mais de 11.000 artigos e criou um banco de dados com 82.000 novos dados de drogas. Isso ajudou a treinar outros inteligências artificiais a preverem melhor quais drogas funcionam, tornando o processo 3,9% mais preciso.
2. O Parceiro Humano (Human-in-the-Loop): Para um alvo específico (uma proteína chamada NLRP3, importante para inflamação), o robô fez o trabalho pesado de encontrar os dados, e um humano apenas conferiu se estava certo. Isso dobrou a quantidade de dados disponíveis em 26 horas (o que levaria meses manualmente) e ajudou a encontrar 16 novos candidatos a remédios promissores.
3. O Acelerador de Anotação: O robô também ajuda a rotular estruturas de proteínas em bancos de dados famosos, fazendo o trabalho 5 vezes mais rápido e com mais precisão do que um humano sozinho.

Resumo Final

O BIOMINER é como dar um superpoder aos cientistas: a capacidade de ler a "biblioteca de Alexandria" da química em segundos, em vez de anos. Ele separa a tarefa difícil de entender o texto da tarefa difícil de desenhar as moléculas, usando a melhor tecnologia de IA para cada parte.

Isso significa que, no futuro, descobrimos remédios mais rápido, porque não perdemos tempo procurando agulhas no palheiro. O robô já varreu o palheiro e entregou as agulhas na sua mão.

Resumo técnico

1. O Problema

Os dados de bioatividade proteína-ligante publicados na literatura científica são fundamentais para a descoberta de fármacos, sustentando análises de relação estrutura-atividade (SAR), modelagem QSAR e triagem virtual. No entanto, a curadoria manual desses dados não consegue acompanhar o crescimento exponencial da literatura.

A extração automatizada enfrenta três desafios principais que a diferenciam da extração de informação científica convencional:

1. Natureza Multimodal: Os dados estão distribuídos heterogeneamente entre texto, tabelas, figuras e, crucialmente, estruturas químicas complexas.
2. Reconstrução Química Exata: A extração exige não apenas a interpretação semântica, mas a reconstrução precisa de estruturas químicas, especialmente estruturas de Markush (que representam grupos de compostos relacionados via substituintes R variáveis). A enumeração dessas estruturas em moléculas específicas é um obstáculo significativo.
3. Falta de Benchmarks: A ausência de benchmarks padronizados e em grande escala dificulta a avaliação rigorosa e o avanço de metodologias automatizadas.

2. Metodologia: O Sistema BIOMINER

O BIOMINER é um sistema agêntico multimodal projetado para decompor a tarefa de extração, separando explicitamente a interpretação semântica da bioatividade da construção de estruturas químicas.

Arquitetura do Sistema

O sistema opera através de quatro agentes especializados:

1. Pré-processamento de Dados: Utiliza a ferramenta MinerU para parsear documentos PDF, extraindo texto, tabelas e imagens, preservando o layout e a ordem de leitura.
2. Extração de Bioatividade (Agente de Medição): Utiliza um modelo de linguagem multimodal (MLLM) especializado, o BIOMINER-INSTRUCT (fine-tuned a partir do Qwen3-VL-32B), para realizar raciocínio semântico direto sobre texto, tabelas e figuras, extraindo valores de bioatividade (ex: IC50, Ki) e entidades (proteínas, ligantes).
3. Extração de Estrutura Química (Agente de Estrutura): Este é o núcleo inovador do sistema, utilizando o paradigma CSG-VSR (Chemical-Structure-Grounded Visual Semantic Reasoning):
   • Detecção e Reconhecimento: Usa o MolDetv2 para detectar regiões de estruturas químicas e o modelo MOLGLYPH (um modelo OCSR - Optical Chemical Structure Recognition) para converter imagens em SMILES preliminares.
   • Raciocínio Semântico Visual: O MLLM (BIOMINER-INSTRUCT) realiza o raciocínio sobre imagens aumentadas (com índices nas estruturas) para resolver coreferências (ligar "Composto 1" à imagem) e identificar esqueletos de Markush e seus substituintes R (seja visualmente ou via texto/IUPAC).
   • Construção Simbólica Determinística: Diferente de outros métodos que tentam gerar SMILES diretamente, o BIOMINER delega a construção química final a ferramentas de domínio (como RDKit). O MLLM fornece os componentes (esqueleto e substituintes), e o RDKit realiza o "zip" (junção) determinístico para gerar estruturas moleculares completas e quimicamente válidas.
4. Pós-processamento e Integração: Um agente final une as tuplas de bioatividade (proteína, ligante, valor) com as estruturas químicas resolvidas, gerando os trios finais.

3. Contribuições Principais

• BIOMINER (Sistema): Uma nova arquitetura que desacopla o raciocínio semântico da construção simbólica química, permitindo a enumeração escalável de estruturas de Markush complexas, algo anteriormente não resolvido em escala.
• BIOVISTA (Benchmark): O maior benchmark dedicado à extração de bioatividade proteína-ligante até a data.
  • Contém 16.457 entradas de bioatividade e 8.735 estruturas químicas únicas.
  • Extraído de 500 publicações recentes do PDBbind v2020.
  • Inclui dados de texto (15,8%), figuras (11,6%) e tabelas (72,5%), com 48,7% das estruturas derivadas de representações de Markush.
  • Define 6 tarefas de avaliação, desde extração end-to-end até tarefas de nível de componente (ex: enumeração de Markush).
• Aplicações Práticas: Demonstração do sistema em três cenários reais (descrito abaixo).

4. Resultados e Desempenho

Avaliação no Benchmark BIOVISTA

• Extração End-to-End: O BIOMINER alcançou um F1-score de 0,33 para a extração completa de trios de bioatividade complexos. Em contraste, uma linha de base end-to-end (processamento direto de texto e imagem sem decomposição) obteve apenas 0,00037, demonstrando a necessidade da decomposição da tarefa.
• Desempenho por Componente:
  • Extração de Medição de Bioatividade: F1 = 0,626.
  • Extração de Estrutura Química: F1 = 0,528 (0,565 para estruturas explícitas vs. 0,349 para Markush).
  • Enumeração de Markush (com coreferência): F1 = 0,698.
• Análise de Erros: Os maiores gargalos foram a extração de medições de bioatividade (32,68% dos erros) e o reconhecimento óptico de estruturas químicas (OCSR) (25,31%), especialmente em estruturas quirais e com múltiplos substituintes R.

Aplicações Práticas

1. Construção de Banco de Dados em Grande Escala:
   • Extração de 82.262 dados de 11.683 artigos em apenas 2 dias.
   • Modelos de aprendizado profundo pré-treinados neste banco de dados mostraram uma melhoria de 3,9% no RMSE na predição de afinidade de ligação em conjuntos de teste independentes, superando modelos treinados apenas em dados curados manualmente (PDBbind).
2. Fluxo de Trabalho Humano-no-Loop (HITL) para NLRP3:
   • Coleta de 1.592 dados de bioatividade para o alvo NLRP3 (inflamação) em 26 horas, dobrando a quantidade disponível no ChEMBL.
   • Modelos QSAR treinados com esses dados melhoraram em 38,6% (métrica EF1%).
   • Identificação de 16 candidatos a "hit" com novos scaffolds químicos.
3. Anotação de Estruturas (PoseBusters):
   • Aceleração de 5x na anotação de estruturas proteína-ligante com dados de bioatividade.
   • Aumento da precisão de 86,4% (manual) para 97,1% (com auxílio do BIOMINER).

5. Significado e Impacto

O BIOMINER representa um avanço significativo na mineração de literatura científica para a descoberta de fármacos. Ao resolver o problema de "alucinação" química comum em modelos de linguagem pura, integrando raciocínio de IA com ferramentas químicas determinísticas, o sistema torna viável a extração em massa de dados que antes exigiam esforço humano insustentável.

A criação do benchmark BIOVISTA estabelece um padrão rigoroso para futuras pesquisas, permitindo comparações justas e o desenvolvimento de soluções mais robustas. O sistema não apenas acelera a curadoria de dados, mas também melhora diretamente a performance de modelos preditivos de IA, abrindo caminho para a descoberta de novos fármacos baseada em dados mais abrangentes e precisos.