Resumo Técnico: ReliaMol-3D

Declaração do Problema

Geradores moleculares tridimensionais (3D) condicionados ao bolso podem produzir inúmeros candidatos a ligantes para um receptor específico. No entanto, um gargalo crítico permanece na fase de triagem pós-geração: determinar quais candidatos de um conjunto gerado são suficientemente utilizáveis dentro do quadro de coordenadas pretendido do receptor para justificar processos subsequentes caros, como refinamento por docking, planejamento de síntese ou inspeção especializada.

As métricas de avaliação existentes são insuficientes para esta decisão específica:

• Métricas de apenas ligante (ex: QED, Acessibilidade Sintética) capturam a desejabilidade química, mas ignoram o posicionamento no receptor.
• Scores de docking (ex: Vina, GNINA) fornecem estimativas de afinidade, mas podem coexistir com geometrias tensionadas, colisões ou inconsistências de coordenadas.
• Verificações de validade física (ex: PoseBusters) verificam a plausibilidade interna, mas não classificam os candidatos sobreviventes nem consideram o contexto específico do receptor.

O desafio central é classificar um conjunto fixo de candidatos 3D gerados por usabilidade computacional no quadro do receptor sem confundir a seleção com a previsão de afinidade ou incorporar oráculos externos (como scores de docking) como entradas ocultas.

Metodologia: ReliaMol-3D

O ReliaMol-3D é um fluxo de trabalho de reclassificação pós-geração, auditável e agnóstico ao gerador, projetado para priorizar candidatos com base em evidências livres de score. O fluxo de trabalho separa os papéis de geração, seleção e validação.

1. Governança e Auditoria de Coordenadas

O fluxo de trabalho começa com uma rigorosa auditoria de proveniência de coordenadas do receptor. Os candidatos são avaliados no quadro de coordenadas exato do receptor (especificamente, coordenadas do receptor pesado CrossDocked exatas) em vez de estruturas públicas aproximadas. Isso evita que erros de proveniência de coordenadas sejam identificados erroneamente como falhas do gerador.

2. Extração de Características Livres de Score

O modelo primário utiliza um vetor de 41 características derivado de três famílias quimicamente interpretáveis, excluindo explicitamente scores de docking, identidade do gerador, indicadores diretos de falha e resultados do PoseBusters:

• Química do Ligante: Peso molecular, logP, TPSA, QED, ligações rotacionáveis, contagens de anéis, contagens de heteroátomos, carga formal, contagens de elementos raros e frações de tipos de átomos.
• Geometria 3D Interna: Contagens de átomos da pose, raio da pose e quantis de distância de vizinhos mais próximos (5%–90%).
• Contexto Ligante–Bolso: Quantis de distância mínima ligante-bolso e frações de ocupação de casca (0–2Å, 2–4Å, etc.) em relação ao bolso do receptor.

3. Definição do Endpoint de Confiabilidade

A variável alvo é um rótulo binário de confiabilidade computacional no receptor ($y_i$). Um candidato é considerado confiável apenas se passar simultaneamente em cinco indicadores de falha pré-especificados:

1. Validade química ($z_{chem}$)
2. Plausibilidade geométrica interna ($z_{geom}$)
3. Presença de contato com o bolso ($z_{pocket}$)
4. Ausência de colisão com o receptor ($z_{clash}$)
5. Limites de complexidade sintética ($z_{syn}$)

Este rótulo é distinto da afinidade de ligação ou atividade biológica; serve como um endpoint auditável para "usabilidade no quadro do receptor".

4. Modelos de Reclassificação

• Modelo Primário (RF-ReliaMol): Um classificador Random Forest treinado para prever a probabilidade de passar nos critérios de confiabilidade. É transparente, reprodutível e projetado para triagem pós-geração.
• Variantes: HGB-ReliaMol (Histogram Gradient Boosting) para confirmação de desempenho; MLP-ReliaMol e RCEF (Reliability-Calibrated Evidence Fusion) como modelos diagnósticos para testar a sensibilidade do grupo de características e a calibração.
• Ferramentas Externas: Scores de docking (Vina/GNINA) e PoseBusters (PB) são tratados como bases de comparação separadas ou portões de elegibilidade estritos opcionais, não como entradas para o reclassificador primário.

5. Protocolo de Seleção

Os candidatos são classificados dentro de cada bolso com base na probabilidade de confiabilidade prevista ($\hat{p}_i$). Um shortlist de orçamento fixo (ex: top 10%) é selecionado. Uma política opcional de portão estrito pelo PB pode ser aplicada, onde apenas candidatos que passam no PB são reclassificados, sem preenchimento de lacunas caso o conjunto seja insuficiente.

Principais Resultados

Benchmark Principal (DiffSBDD)

Avaliado em 10.000 candidatos de 100 bolsos exatos de CrossDocked:

• Confiabilidade: Em 10% de cobertura, o RF-ReliaMol atinge 0,9990 de confiabilidade no top-10% (desvio padrão zero entre sementes), comparado a 0,9660 para a linha de base QED/SA. O HGB-ReliaMol atinge 0,9993.
• Ablação: O ganho é impulsionado principalmente pela geometria 3D interna e pelo contexto ligante-bolso. Descritores de ligantes sozinhos melhoram a confiabilidade para 0,9727, mas a adição da geometria do bolso eleva-a para 0,9990.
• Robustez: O modelo mantém alta confiabilidade (0,9959–0,9988) em níveis de cobertura de 20% e 50% e permanece estável sob perturbações de coordenadas (0,25 Å) e evidências ruidosas.

Testes de Estresse e Transferência

• Mudança de Gerador: Em um split de gerador CVAE mantido (conhecido por altas taxas de falha), o RF-ReliaMol melhora a confiabilidade de 0,7868 (Vina-minimize) para 0,9800.
• Leave-Generator-Out: Em avaliações entre geradores, o RF-ReliaM alcança 0,9950 de confiabilidade, demonstrando transferibilidade entre famílias de geradores (TargetDiff, Pocket2Mol, AR).
• Falha Controlada (DUD-E): Em um teste de estresse DUD-E com falhas injetadas, o MLP-ReliaMol atinge um ROC-AUC de 0,9981, superando significativamente o Vina (0,5966).

Utilidade Química e Diversidade

O ReliaMol melhora a confiabilidade sem colapsar a diversidade química:

• Diversidade de Scaffold: O RF-ReliaMol retém 9,88 scaffolds de Murcko únicos por bolso (vs. 9,90 para QED/SA).
• Química Medicinal: Os candidatos selecionados mantêm altas taxas de aprovação de Lipinski/Veber e baixas taxas de alertas PAINS.
• Portão PB: Quando combinado com um portão estrito de PoseBusters, o conjunto selecionado atinge 1,0000 de confiabilidade e 1,0000 de taxa de aprovação de PB.

Significância e Alegações

O artigo posiciona o ReliaMol-3D não como um novo gerador molecular ou preditor de afinidade, mas como uma camada de triagem focada em reprodutibilidade e separação de funções para o design de fármacos baseado em estrutura (SBDD).

1. Triagem Auditável: Define um endpoint específico de "confiabilidade no quadro do receptor" distinto da afinidade, permitindo uma separação clara entre a seleção de candidatos e a validação subsequente.
2. Evidência Livre de Score: Ao excluir scores de docking e identidade do gerador das entradas do modelo primário, evita o raciocínio circular e garante que a seleção seja baseada em evidências químicas e geométricas interpretáveis.
3. Agnóstico ao Gerador: O fluxo de trabalho é eficaz em diversas famílias de geradores, incluindo aqueles com altas taxas de falha (ex: CVAE), tornando-o um filtro robusto para conjuntos gerados heterogêneos.
4. Fluxo de Trabalho Prático: Fornece um protocolo concreto para priorizar candidatos antes do rescoring caro ou da síntese, preenchendo a lacuna entre a geração de alto rendimento e a inspeção especializada.

Os autores concluem que, embora os geradores modernos produzam candidatos plausíveis, o gargalo subsequente de selecionar o subconjunto utilizável é melhor abordado por uma camada de reclassificação dedicada e auditável, que modela explicitamente a usabilidade no quadro do receptor através de características quimicamente interpretáveis e livres de score.