💻 bioinformática

Zero-Shot Protein-Ligand Binding Site Prediction from Protein Sequence and SMILES

Este artigo introduz um framework de benchmarking sistemático de três estágios que aproveita modelos de linguagem de proteínas e químicos para prever sítios de ligação proteína-ligante a partir de sequências e SMILES, demonstrando que, embora o condicionamento por ligante melhore o desempenho em ligantes conhecidos, uma abordagem zero-shot utilizando embeddings químicos pré-treinados permite a predição eficaz em ligantes previamente não vistos.

Autores originais: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Publicado 2026-11-07 (v2)

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pourmirzaei, M., Alqarghuli, S., Chen, K., Pourmirzaei, M., Xu, D.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Dentro de cada célula viva, as proteínas atuam como as máquinas moleculares que mantêm a vida em funcionamento. Elas se dobram em formas complexas para realizar tarefas como copiar instruções genéticas ou combater infecções. Frequentemente, essas máquinas precisam agarrar moléculas químicas menores, conhecidas como ligantes, para funcionar. Quando uma proteína agarra uma molécula específica, ela o faz em um local preciso em sua superfície, tal como uma chave se ajustando a uma fechadura específica. Saber exatamente onde essa fechadura está localizada na proteína é crucial para os cientistas. Se os pesquisadores conseguirem identificar esses pontos, poderão entender como as doenças funcionam e projetar novos medicamentos para bloquear ou ativar essas interações. Por décadas, encontrar esses pontos dependeu de experimentos laboratoriais caros e lentos que tiram fotos das moléculas. Agora, os cientistas estão recorrendo aos computadores para prever essas localizações de forma mais rápida, mas um grande obstáculo permanece: os computadores têm dificuldade quando encontram um novo tipo de molécula química que nunca viram antes.

Uma equipe de pesquisadores desenvolveu uma nova maneira de ensinar computadores a encontrar esses pontos de ligação, mesmo quando a molécula química é completamente desconhecida. Eles construíram um sistema que aprende com a vasta biblioteca de formas proteicas conhecidas e as fórmulas químicas de moléculas para fazer suposições educadas sobre onde elas se conectarão. A equipe testou sua abordagem em três cenários diferentes para ver o quão bem ela funcionava. Primeiro, eles observaram produtos químicos comuns que o computador já havia visto muitas vezes antes. Segundo, testaram em produtos químicos que apareceram apenas algumas vezes nos dados de treinamento. Finalmente, desafiaram o sistema com um teste de zero-shot (capacidade de generalização sem treinamento prévio), onde o computador teve que prever pontos de ligação para milhares de produtos químicos que ele nunca havia encontrado durante seu treinamento. Este teste final é o mais difícil, mimetizando a situação do mundo real onde um cientista descobre um novo candidato a fármaco e precisa saber como ele interage com uma proteína imediatamente.

Os pesquisadores começaram treinando um modelo de computador usando um banco de dados massivo de sequências de proteínas e seus parceiros de ligação conhecidos. Primeiro, criaram um sistema de base que aprendia a prever pontos de ligação para um produto químico específico por vez. Isso funcionou bem para os produtos químicos comuns, mas exigia um modelo separado para cada tipo de molécula, o que é ineficiente. Em seguida, melhoraram o sistema ensinando-o a reconhecer diferentes produtos químicos de uma só vez, usando um código especial para cada um. Isso permitiu que um único modelo lidasse com muitas moléculas diferentes, e ele teve um desempenho melhor que a primeira versão. No entanto, esta abordagem ainda falhava diante de um produto químico completamente novo, porque o computador não possuía um código para ele. Para resolver isso, a equipe introduziu uma terceira etapa. Em vez de usar um código pré-fabricado para o produto químico, eles forneceram ao computador a fórmula estrutural do produto químico, escrita como uma string de texto chamada string SMILES. Eles usaram um programa de computador separado, treinado em milhões de fórmulas químicas, para transformar esse texto em uma representação matemática que o sistema principal pudesse entender. Isso permitiu que o modelo fizesse previsões para produtos químicos que ele nunca tinha visto antes.

Quando a equipe testou essa capacidade de zero-shot, os resultados foram promissores, mas destacaram a dificuldade da tarefa. Nos produtos químicos que o computador já havia visto antes, o sistema permaneceu preciso. Mas para os produtos químicos não vistos, a precisão caiu, o que é esperado ao lidar com dados inteiramente novos. O sistema identificou corretamente os pontos de ligação em cerca de 31 por cento das partes relevantes da proteína para essas novas moléculas, uma conquista significativa para uma primeira tentativa deste problema específico. Para garantir que o computador estava realmente usando a informação química e não apenas adivinhando com base na forma da proteína, os pesquisadores realizaram experimentos de controle. Eles alimentaram o sistema com a proteína correta, mas substituíram a fórmula química por um texto sem sentido ou pelo produto químico errado. Nesses casos, o desempenho do computador caiu significativamente em todos os grupos de teste. Isso provou que o modelo estava de fato prestando atenção ao produto químico específico que lhe foi dado, em vez de depender de um palpite genérico.

O estudo também explorou como o tamanho dos modelos de computador afetava seu desempenho. Eles testaram diferentes versões do modelo de aprendizado de proteínas, variando de pequenos a muito grandes. Geralmente, os modelos maiores apresentaram melhor desempenho, sugerindo que ter mais poder computacional ajuda o sistema a compreender os padrões complexos das formas proteicas. No entanto, tornar o modelo de aprendizado químico maior não levouu sempre a melhores resultados, indicando que o lado da proteína é atualmente o fator mais crítico para a precisão. Os pesquisadores descobriram que, embora o sistema ainda não seja perfeito, ele fornece uma estrutura confiável para prever como proteínas e novos produtos químicos podem interagir. Este trabalho estabelece um novo padrão para testar essas previsões, distinguindo o que um computador pode fazer com dados familiares versus o que ele pode alcançar com descobertas verdadeiramente novas. Ao provar que o sistema pode generalizar para produtos químicos não vistos, os pesquisadores abriram um caminho para uma descoberta de fármacos mais rápida, permitindo que os cientistas realizem a triagem de novas moléculas contra proteínas sem precisar esperar pelos lentos experimentos tradicionais.

Resumo Técnico: Predição de Sítio de Ligação Proteína–Ligante Zero-Shot a partir de Sequência de Proteína e SMILES

Definição do Problema
A identificação precisa de sítios de ligação proteína–ligante é crítica para a biologia mecanística e a descoberta de fármacos. No entanto, as ferramentas computacionais existentes carecem frequentemente de versatilidade, restringindo sua eficácia a categorias específicas de ligantes, e o desempenho preditivo varia significativamente entre famílias de ligantes dependendo da disponibilidade de dados. Embora técnicas experimentais como a cristalografia de raios X forneçam dados estruturais, elas são laboriosas, o que torna necessárias abordagens computacionais para predição de alto rendimento. Uma limitação fundamental na pesquisa atual é a falta de uma avaliação sistemática sobre como o desempenho preditivo muda através de diferentes regimes de disponibilidade de dados de ligantes: ricos em dados (superrepresentados), escassos em dados (subrepresentados) e ausentes em dados (zero-shot). Além disso, distinguir o desempenho em ligantes superrepresentados da generalização para ligantes não vistos requer um framework de avaliação consciente do ligante (ligand-aware).

Metodologia
Os autores apresentam um benchmark e um framework de avaliação sistemático e consciente do ligante, utilizando um conjunto de dados derivado do BioLiP2. O conjunto de dados foi processado usando agrupamento por CD-HIT com 40% de identidade de sequência dentro dos conjuntos de receptores específicos de cada ligante para reduzir a redundância. A avaliação é estruturada em três regimes distintos:

Superrepresentado: Ligantes com $\ge$ 100 amostras.
Subrepresentado: Ligantes com 20–99 amostras.
Zero-shot: Ligantes com 1–19 amostras, totalmente excluídos do treinamento e da validação.

Para avaliar o desempenho nesses regimes, os autores desenvolveram um conjunto de modelagem baseado em sequência progressivo de três estágios:

Estágio 1 (Baseline Específico do Ligante): Uma arquitetura de base onde um modelo separado é treinado para cada tipo de ligante usando um Modelo de Linguagem de Proteína pré-treinado (PLM, especificamente ESM-2) para gerar embeddings de nível de resíduo. Esses embeddings são alimentados em um classificador linear. Nenhum dado específico do ligante (SMILES ou ID) é fornecido ao modelo durante a inferência; o modelo depende exclusivamente da sequência de proteína e de seus dados de treinamento específicos.
Estágio 2 (Multi-Ligante com Embeddings Aprendidos): Um único modelo é treinado para predizer sítios de ligação para múltiplos tipos de ligantes predefinidos. As sequências de proteínas são codificadas pelo mesmo PLM. A identidade do ligante é fornecida como um índice que consulta uma tabela de embeddings treinável, que é fundida com as características da proteína via um decodificador transformer bidirecional por meio de atenção cruzada (cross-attention). Isso permite que o modelo aprenda a partir de um conjunto de dados agrupado, mas não pode generalizar para ligantes não vistos.
Estágio 3 (Generalização Zero-Shot): A tabela de embeddings de ligante fixa é substituída por um Modelo de Linguagem Química pré-treinado (CLM, especificamente MolFormer) operando em strings SMILES. O CLM gera representações do ligante que são projetadas para corresponder à dimensão de característica do PLM e fundidas via o mesmo decodificador. Esta arquitetura permite a predição para identidades de ligantes ausentes dos dados de treinamento e validação supervisionada.

O estudo emprega experimentos de controle rigorosos, incluindo entradas com SMILES constantes, incompatíveis e embaralhados, para verificar se o modelo utiliza informações específicas do ligante em vez de uma propensão genérica da proteína. Além disso, estudos de ablação foram realizados em cinco escalas de ESM-2 (8M a 3B de parâmetros) e múltiplas configurações de CLM (MolFormer, UniMol-2) para analisar o impacto da escala do modelo.

Principais Contribuições

Benchmark Consciente do Ligante: O estabelecimento de um framework de avaliação padronizado com divisões para ligantes superrepresentados, subrepresentados e zero-shot, incorporando o agrupamento de sequência dentro do ligante para avaliar sistematicamente a predição de nível de resíduo através de variadas disponibilidades de dados.
Conjunto de Modelagem Progressiva: O desenvolvimento e a avaliação de uma progressão de modelagem de três estágios que caracteriza o desempenho conforme a supervisão do ligante diminui, do treinamento de ligante único para o condicionamento multi-ligante e, finalmente, para a inferência zero-shot baseada em SMILES.
Análise de Representação Controlada: Avaliação sistemática de representações de proteínas e produtos químicos através de ablações e controles de entrada de ligante (SMILES constantes, incompatíveis ou embaralhados), demonstrando a contribuição de entradas de ligantes específicos para a precisão da predição.

Resultos

Estágio 2 vs. Estágio 1: No conjunto de teste superrepresentado, o Estágio 2 alcançou um F1-macro de ligante (0.5832) superior ao do Estágio 1 (0.4769). No entanto, os autores observam que esta comparação envolve mudanças simultâneas na arquitetura, no condicionamento e no regime de treinamento. Uma ablação correspondente em seis ligantes mostrou que substituir o preditor linear apenas pelo decodificador do Estágio 2 resultou em uma melhoria modesta (+0.0136 F1), sugerindo que os ganhos são impulsionados principalmente pelo treinamento multi-ligante e pelo condicionamento.
Desempenho do Estágio 3: O modelo do Estágio 3 alcançou um F1 agrupado de nível de resíduo de 0.3109 e um F1-macro de ligante de 0.2338 em ligantes anteriormente não vistos (zero-shot). Embora isso represente uma diminuição modesta no desempenho em ligantes representados em comparação ao Estágio 2 (por exemplo, o F1-macro de ligante superrepresentado caiu de 0.5832 para 0.5526), demonstra a capacidade de predizer sítios de ligação para identidades de ligantes não vistos.
Experimentos de Controle: Substituir os SMILES nativos por entradas constantes, incompatíveis ou embaralhadas reduziu significativamente o desempenho em todos os três regimes de teste (por exemplo, o F1 agrupado zero-shot caiu de 0.3193 para 0.1335 com entrada constante). Isso fornece evidência de que o modelo depende da associação de ligante fornecida, em vez de depender apenas de uma propensão genérica de ligação da proteína.
Análise de Escala: Aumentar a escala do PLM (ESM-2) geralmente melhorou o desempenho em todos os regimes, embora a tendência não tenha sido estritamente monotônica. Em contraste, aumentar a escala do CLM (por exemplo, UniMol-2 de 84M para 570M) produziu ganhos menores e menos consistentes.
Baselines: O modelo do Estágio 2 superou vários baselines baseados em sequência e estrutura (incluindo Boltz-2x, Prot2Token e LMetalSite) em íons metálicos e cofatores específicos no conjunto superrepresentado.

Significância e Alegações
O artigo afirma fornecer um benchmark sistemático para quantificar o efeito da disponibilidade de dados de ligante na predição de sítio de ligação de nível de resíduo e para avaliar a generalização para ligantes anteriormente não vistos. Os autores enfatizam que sua capacidade zero-shot permite a predição de nível de resíduo usando apenas sequências de proteínas e SMILES, sem gerar complexos 3D.

O estudo conclui modestamente que, embora o modelo demonstre generalização zero-shot, a arquitetura atual depende de um projetor raso para fusão cross-modal, e o benefício limitado do escalonamento de CLMs sugere que a capacidade de representação de proteína tem um efeito mais forte no desempenho sob a configuração atual. Os autores esclarecem que o cenário zero-shot é definido ao nível de identidade do ligante (IDs de ligantes ausentes do treinamento) e não implica a ausência de sequências de receptores ou famílias de receptores do treinamento. O trabalho visa apoiar o progresso reprodutível na predição de ligação de nível de resídu de forma consciente do ligante e zero-shot, disponibilizando código, dados e pesos dos modelos.

Mais como este