CROWN: Curated Repository Of Well-resolved Noncovalent interactions

O artigo apresenta o CROWN, um novo conjunto de dados de 153.005 complexos proteína-ligante curado e pronto para aprendizado de máquina, que resolve o dilema entre cobertura e qualidade ao aplicar um pipeline automatizado com minimização de energia restrita ao banco de dados PLInder, oferecendo uma diversidade quatro vezes maior que conjuntos existentes como PDBBind e HiQBind, sem depender de afinidades de ligação experimentais.

O essencial

Imagine que você é um chef de cozinha tentando criar a receita perfeita para um prato novo. Para isso, você precisa de ingredientes de alta qualidade e receitas confiáveis. No mundo da ciência, os "ingredientes" são as moléculas (proteínas e medicamentos) e as "receitas" são os dados sobre como elas se encaixam.

O problema é que a maior biblioteca de receitas do mundo, chamada PDB (Protein Data Bank), é um pouco bagunçada. Ela tem milhões de receitas, mas muitas estão escritas de forma confusa, com ingredientes faltando, medidas erradas ou até com anotações que não fazem sentido.

É aqui que entra o CROWN (Curated Repository Of Well-resolved Non-covalent interactions), o novo "super-organizador" de receitas apresentado neste artigo.

Aqui está a história do CROWN, contada de forma simples:

1. O Dilema: Qualidade vs. Quantidade

Antes do CROWN, os cientistas tinham que escolher entre dois tipos de bibliotecas de receitas:

• As "Bibliotecas de Luxo" (como PDBBind): Eram muito limpas e precisas, mas tinham apenas algumas milhares de receitas. Era como ter um livro de receitas de 50 páginas, todas perfeitas, mas que não cobriam a diversidade da culinária mundial.
• As "Bibliotecas Gigantes" (como PLInder): Tinham quase 650.000 receitas! Mas muitas estavam cheias de erros, ingredientes faltando ou medidas estranhas. Usar isso para treinar um robô (Inteligência Artificial) seria como ensinar alguém a cozinhar com receitas que dizem "adicione sal a gosto" sem dizer quanto é "a gosto".

O CROWN chegou para resolver esse dilema: como ter uma biblioteca gigante, mas que seja tão limpa quanto as de luxo?

2. A Fábrica de Limpeza (O Pipeline)

Os autores criaram uma "linha de montagem" automática (um pipeline) que pega as 650.000 receitas brutas e as passa por uma série de filtros rigorosos. Pense nisso como uma fábrica de processamento de alimentos:

• Filtro 1 (A Qualidade da Foto): Eles jogaram fora as receitas tiradas com fotos borradas (baixa resolução). Só aceitaram as fotos nítidas onde dá para ver cada detalhe do ingrediente.
• Filtro 2 (O Ingrediente Certo): Removeram coisas que não são comida de verdade, como íons de metal estranhos ou "lixo" que ficou na panela durante a foto (artefatos de cristalização).
• Filtro 3 (O Ambiente): Garantiram que a "mesa" onde o ingrediente é colocado (o bolso da proteína) estivesse completa. Se faltasse uma cadeira ou um prato, a receita era descartada.
• Reparo Automático: Usaram robôs inteligentes para consertar erros comuns. Se faltava um átomo (como um pedaço de carne faltando no bife), o robô o reconstruía. Se havia dois ingredientes colados onde não deveriam, eles os separavam.

3. O Grande Truque: O "Massagem" Controlada

A parte mais genial do CROWN é o que eles chamam de Minimização de Energia Confinada.

Imagine que você tem uma estátua de argila feita por um escultor (o cristalógrafo). A estátua é boa, mas tem algumas partes um pouco tortas porque a argila secou de um jeito estranho.

• Se você tentar endireitar tudo à força, a estátua pode quebrar ou mudar de forma (perdendo a verdade original).
• Se você não fizer nada, ela continua torta.

O CROWN usa uma técnica especial: ele coloca a estátua dentro de uma "caixa de molas invisíveis".

• A caixa permite que a argila se mova um pouquinho para se ajustar e ficar mais natural (relaxar a tensão).
• Mas, se a argila tentar sair muito da posição original, as molas a puxam de volta.

Isso garante que a estrutura final seja fisicamente perfeita (sem choques de átomos, sem ligações quebradas), mas ainda fiel à foto original tirada no laboratório. É como dar uma massagem suave na estrutura para ela ficar confortável, sem mudar quem ela é.

4. O Resultado: O CROWN

Depois de todo esse processo, sobram 153.005 receitas perfeitas.

• É 4 vezes maior do que as melhores bibliotecas anteriores em termos de diversidade de proteínas e espécies.
• Não depende de "gostos" subjetivos (como a força de ligação medida em testes de laboratório, que variam muito), mas foca puramente na geometria (como os átomos se encaixam no espaço 3D).

Por que isso importa?

Hoje, estamos usando Inteligência Artificial para criar novos medicamentos e entender doenças. Para que a IA aprenda a ser um bom "chef", ela precisa de dados limpos e variados.

O CROWN é como entregar para a IA uma biblioteca gigante, organizada, com fotos nítidas e ingredientes perfeitamente medidos. Isso permite que os cientistas treinem modelos mais inteligentes, que consigam prever como novos remédios vão se encaixar no corpo humano com muito mais precisão.

Em resumo: O CROWN pegou uma bagunça gigante de dados científicos, aplicou uma limpeza automática super inteligente, deu uma "massagem" nas estruturas para deixá-las perfeitas e entregou um tesouro de dados pronto para a próxima geração de descobertas médicas.

Resumo técnico

1. O Problema

O desenvolvimento de modelos de aprendizado de máquina para interações proteína-ligante enfrenta uma barreira fundamental: a falta de dados estruturais que sejam simultaneamente de alta qualidade e amplamente diversos.

• Dilema dos Bancos de Dados Atuais: Existem dois extremos. Bancos curados manualmente (como PDBBind e HiQBind) oferecem alta confiabilidade estrutural, mas cobrem apenas uma pequena fração do Protein Data Bank (PDB), limitando a diversidade química e biológica. Por outro lado, recursos de grande escala (como PLInder) cobrem quase todo o PDB, mas carecem de controle de qualidade rigoroso, contendo artefatos, átomos não resolvidos e erros de ligação que introduzem ruído nos modelos.
• Viés de Afinidade: Muitos benchmarks dependem de dados de afinidade de ligação experimentalmente medidos. Isso exclui milhares de estruturas bem resolvidas que não possuem dados de afinidade e introduz vieses devido à heterogeneidade das condições de ensaio.
• Necessidade: Há uma necessidade urgente de um conjunto de dados "pronto para aprendizado de máquina" que reconcilie escala e qualidade, focando na geometria da interação em vez de apenas em afinidades.

2. Metodologia

O CROWN é construído a partir de uma subamostra rigorosamente processada do banco de dados PLInder (versão 2024-06/v2), que continha inicialmente 649.915 sistemas. O pipeline de processamento é totalmente automatizado e consiste em cinco filtros de qualidade intercalados com duas etapas de processamento estrutural:

1. Filtro 1 (Qualidade da Estrutura): Seleção apenas de estruturas de cristalografia de raios-X com resolução $\le$ 3.0 Å. Exigência de ajuste à densidade eletrônica experimental: Real-space R-value (RSR) < 0.3 e *Real-space Correlation Coefficient* (RSCC) > 0.8. Reanotação independente das métricas para corrigir erros de anotação de cadeias no PDB.
2. Filtro 2 (Qualidade do Ligante): Remoção de artefatos de cristalização, íons e ligantes covalentes. Exclusão de elementos raros (B, Se, Si) ou ligações de coordenação metálica (exceto cofatores específicos HEM, MGD, SF4) que não são suportados pelo campo de força OpenFF 2.2.0.
3. Filtro 3 (Qualidade do Bolso): Exclusão de complexos com átomos de proteína faltantes dentro de 6 Å do ligante ou resíduos de aminoácidos não padrão no sítio de ligação.
4. Processamento 1 (Correções Estruturais):
   • Remoção de artefatos de cristalização.
   • Seleção de conformeros de maior ocupação e reconstrução de átomos/resíduos faltantes (PDBFixer).
   • Substituição de resíduos não padrão fora do bolso por equivalentes padrão; mutação para alanina se não houver mapeamento.
   • Resolução de colisões estéricas intercadeia e reparo de ligações covalentes.
   • Geração de arquivos separados para receptor (.pdb) e ligante/cofator (.sdf).
5. Filtro 4 (Qualidade da Interação): Filtragem de ligantes com 10-100 átomos pesados e que formem >10 contatos próximos (< 4 Å) com a proteína. Remoção de entradas redundantes (mesmo PDB ID com pose de ligação idêntica).
6. Processamento 2 (Minimização de Energia Constrained):
   • Protonação: Atribuição de estados de protonação em pH 7.4 (usando PDBFixer para proteínas e Dimorphite-DL para ligantes).
   • Montagem e Campos de Força: Uso de OpenMM com campos de força ff19SB (proteína), OL21 (ácidos nucleicos), OPC3 (água) e OpenFF 2.2.0 (ligantes).
   • Protocolo de Minimização: Algoritmo L-BFGS. Átomos pesados fora do bolso são fixados com restrições harmônicas rígidas. Átomos pesados dentro do bolso usam um potencial de "fundo plano" (flat-bottomed tethering potential). Isso permite que os átomos se movam livremente dentro da incerteza cristalográfica (0.25 Å) sem penalidade energética, mas aplica restrições suaves e depois lineares para deslocamentos maiores, aliviando tensões estéricas sem distorcer a geometria experimental.
   • Filtro 5 (Estabilidade do Complexo): Remoção de complexos onde a minimização causou grandes rearranjos estruturais (RMSD > 0.6 Å para ligante/bolso ou > 0.2 Å para o esqueleto da proteína).

3. Contribuições Principais

• Escala e Diversidade: O dataset final contém 153.005 complexos, representando um aumento de aproximadamente quatro vezes na diversidade de proteínas e espécies em comparação com PDBBind e HiQBind.
• Filosofia Centrada na Geometria: O CROWN não depende de rótulos de afinidade de ligação. Trata o arranjo 3D dos átomos na interface como uma fonte de informação autossuficiente, permitindo incluir milhares de estruturas bem resolvidas que não possuem dados de afinidade.
• Minimização de Energia Constrained: Uma contribuição única é a etapa de minimização de energia com restrições de "fundo plano". Isso padroniza as práticas de refinamento heterogêneas de diferentes cristalógrafos, produzindo complexos estruturalmente uniformes sem distorcer a geometria de ligação observada experimentalmente.
• Qualidade Garantida: O dataset possui zero entradas com átomos de ligante não resolvidos, ligações faltantes, colisões estéricas ou resíduos não padrão no bolso de ligação.
• Acesso Aberto: Disponibilização via interface web interativa (busca, visualização 3D, comparação de coordenadas cristalinas vs. minimizadas) e download em lote, sob licença CC BY 4.0. O código do pipeline é open-source (MIT).

4. Resultados

• Filtragem: A etapa mais seletiva foi o Filtro 1 (Qualidade da Estrutura), que eliminou cerca de 50% dos dados iniciais, garantindo que apenas estruturas com alta confiabilidade de densidade eletrônica passassem.
• Distribuição de Propriedades: Diferente do PDBBind (sub-representado em ligantes grandes), o CROWN mantém uma distribuição mais ampla de peso molecular e complexidade química, incluindo moléculas relevantes para descoberta de fármacos modernos (PROTACs, macrociclos), enquanto remove íons e fragmentos pequenos.
• Estabilidade Estrutural: A análise de RMSD pós-minimização mostrou que o esqueleto da proteína sofreu deslocamento insignificante, enquanto os átomos no bolso e no ligante tiveram ajustes moderados (mediana de ~0.22-0.27 Å), permanecendo dentro da incerteza cristalográfica. Os átomos de hidrogênio, não restritos, mostraram maior movimento, otimizando a rede de ligações de hidrogênio.
• Comparação: O CROWN supera bancos existentes em cobertura de espaço químico (número de Murcko scaffolds e identificadores CCD) e diversidade taxonômica, mantendo padrões de qualidade superiores.

5. Significado e Impacto

O CROWN preenche uma lacuna crítica na biologia estrutural computacional, fornecendo um recurso massivo e de alta qualidade para treinar modelos de aprendizado de máquina, especialmente modelos generativos de poses de ligação e funções de pontuação (scoring functions).

• Reprodutibilidade: O pipeline automatizado permite a atualização sistemática do dataset conforme novos dados do PDB e do PLInder são lançados.
• Viabilidade Técnica: O artigo destaca que, embora o pipeline seja automatizado, seu desenvolvimento exigiu um esforço intensivo de engenharia para lidar com a heterogeneidade dos dados brutos do PDB, servindo como um modelo para futuras curadoria de dados em larga escala.
• Limitações Futuras: As limitações atuais incluem a cobertura de campos de força para ligantes metálicos complexos e elementos raros. O futuro do projeto visa expandir para estruturas de Cryo-EM e integrar campos de força baseados em aprendizado de máquina para superar essas barreiras de parametrização.

Em suma, o CROWN oferece uma base robusta e diversificada para a próxima geração de modelos de reconhecimento molecular, equilibrando a necessidade de volume de dados com a precisão estrutural rigorosa.