BoltzMol-1: Triagem Virtual que Encontra Hits Reais

A maioria dos artigos de triagem virtual vende uma pontuação: ROC-AUC, fator de enriquecimento, ranking de docking. O BoltzMol-1 vende algo mais difícil de falsear — recibos de laboratório. A equipe por trás do Boltz-2, o modelo de estruturas proteína–pequena molécula, conduziu uma triagem prospectiva em 10 alvos diversos, comprando e testando apenas 28–96 compostos por alvo, e obteve ligantes ou ativos funcionais em 6 deles. Isso inverte a métrica de sucesso de “quão alto o modelo classificou” para “quantos dos compostos que realmente compramos funcionaram”.

De pontuações de benchmark a taxas de hit prospectivas

Benchmarks retrospectivos são necessários, mas não suficientes. Um modelo com boa pontuação em um split de ligantes conhecidos ainda pode falhar em um projeto real, onde o alvo não tem estrutura co-cristal, o bolsão é uma superfície rasa ou um sítio alostérico, o catálogo comercial está cheio de pontos de partida ruins e o orçamento não cobre milhares de compostos. O HTS tradicional encontra ativos reais, mas as taxas de hit costumam ficar em 0,01–0,14% e o custo é brutal. O docking clássico escala, mas suas funções de pontuação vacilam em bolsões alostéricos de GPCRs, interfaces proteína–proteína e domínios sensíveis a voltagem. A resposta do BoltzMol-1 não é uma triagem maior; é um fluxo mais enxuto: reduzir o espaço de candidatos com o modelo, filtrar moléculas que não valem a pena testar com regras de química medicinal e ADMET, e então comprar apenas algumas dezenas de compostos e colocá-los em ensaios reais.

Sete passos da sequência à lista de compras

• Definir o alvo — sequência da proteína, ID da cadeia, resíduos do bolsão opcionais ou um ligante de referência.
• Preparar a biblioteca de candidatos a partir de espaços compráveis ou sintetizáveis (WuXi off-the-shelf, Enamine REAL).
• Pré-filtro de química medicinal — PAINS, grupos reativos, perfis extremos de propriedades.
• Exclusão de PAINS virtuais — remover moléculas que o modelo adora em alvos não relacionados.
• Co-folding e pontuação com o Boltz-2 — estrutura, afinidade e sinais de confiança de ligação.
• Ranking por pontuação composta — combinar múltiplas saídas do Boltz-2 em um único ranking.
• Triagem ADMET e compra — aplicar previsões de logS, logD e Caco-2, e comprar os N melhores dentro do orçamento.

Para bibliotecas enumeráveis fixas, o pipeline pontua e classifica tudo; para espaços combinatórios como o Enamine REAL, ele migra para active learning generativo, iterando propostas para concentrar a busca em regiões promissoras.

PAINS virtuais: um contraste para o próprio modelo

Compostos PAINS reais são artefatos de ensaio — agregadores, moléculas reativas ou fluorescentes que fingem atividade. O BoltzMol-1 introduz o equivalente do lado do modelo: PAINS virtuais. Algumas moléculas recebem pontuações altas do Boltz-2 em muitos alvos não relacionados, não porque se ligam a tudo, mas porque exploram um viés de pontuação. A equipe agrega pontuações sobre um conjunto de alvos retidos, sinaliza moléculas que consistentemente ficam no topo independentemente do alvo, e as remove, junto com seus análogos próximos, do pool. É o pensamento de contra-ensaio movido para a etapa de ranking: se um composto parece ótimo contra todos os alvos, pode ser, na verdade, uma sonda dos pontos cegos do modelo.

ADMET antes de comprar

Com um orçamento de poucas dezenas de compostos por alvo, cada vaga é preciosa. O BoltzMol-1 traz a desenvolubilidade para a seleção de hits em vez de acrescentá-la depois. Três modelos internos: logS (binarizado em alto/baixo para triagem confiável, em vez de um valor contínuo frágil), logD e permeabilidade Caco-2 A→B, treinados em ChEMBL e GOSTAR com controles de vazamento que verificam pares moleculares correspondentes, não apenas similaridade de moléculas inteiras. As redes são graph transformers no estilo GPS, misturando message passing local com atenção global por pares de átomos e recursos de pKa por átomo. Na perfilagem prospectiva, o logD previsto atingiu r = 0,91 contra experimentos; o bin de baixa solubilidade sinalizou corretamente 29 de 34 compostos, com zero falsos “alta solubilidade”; o Caco-2 alcançou r = 0,65 com inibidores de efluxo no ensaio, e o artigo admite que o modelo não consegue identificar de forma confiável substratos de efluxo. Grau de triagem, não grau de DMPK — o que é exatamente o enquadramento certo para seleção de hits.

Os resultados de laboratório: 6 de 10 alvos

• GLP-2R (GPCR de classe B sem co-estrutura com pequena molécula): 12 antagonistas funcionais a partir de 51 compostos, IC50 de 0,07–24 µM, sem viés de agonista/antagonista embutido na triagem.
• MRGPRX2 (GPCR raso e exposto ao solvente): 10 agonistas mais 3 antagonistas a partir de 38 compostos.
• ROR1 (pseudocinase): um ligante confirmado por SPR, MST e nanoDSF, KD por SPR de 5,13 µM, a partir de 34 compostos.
• LC3B/GABARAP (superfície de PPI): 3 inibidores de deslocamento peptídico com IC50 de 15–40 µM, a partir de 28 compostos amostrados do Enamine REAL.
• PknB (cinase da TB): 16 ativos a partir de 96 compostos, IC50 de 23,2–399 µM — alta taxa de hit, potência modesta.
• STAT6 (domínio SH2, semelhante a PPI): 1 ligante confirmado com KD de 30,3 µM, submetido a contraste contra p38.

O ponto principal não é que o modelo resolveu a triagem virtual. É que, com baixo orçamento, um fluxo de modelo + filtros + aquisição pode gerar pontos de partida reais e testáveis em classes de alvos difíceis — e que o modo funcional (agonista vs antagonista) ainda é um resultado experimental, não uma previsão.

O que os quatro fracassos ensinam

mGlu4 PAM, AMY3, MALT1 e Nav1.8 voltaram vazios — e isso é informação. Nav1.8 é a lição mais clara: a família do alvo tem forte cobertura de sequência nos dados de treinamento, mas a triagem mirou o sítio alostérico VSD2, enquanto as estruturas conhecidas com pequenas moléculas ficam majoritariamente no domínio poro. A similaridade de sequência não se transferiu para similaridade de modo de ligação. O mGlu4 PAM depende de estados conformacionais sutis; o AMY3 é um complexo receptor de múltiplas subunidades; o MALT1 falhou apesar de ligantes conhecidos abundantes, um lembrete de que experiência in-distribution não garante um novo quimiotipo, e que o viés do catálogo comercial pode deixar um alvo sem a química certa. A conclusão: a configuração do alvo — conformação, definição do sítio, montagem do complexo — pode importar mais do que o próprio modelo.

Por que isso é um sinal para a indústria

O artigo é um marco, não uma linha de chegada. A avaliação em descoberta de fármacos com IA está migrando de leaderboards de benchmark para taxa de hit prospectiva: quantos compostos testados por alvo, qual fração deu hit, se os hits são compráveis e otimizáveis, e quanto custa um hit confirmado. Isso acompanha um padrão mais amplo — ferramentas de pesquisa com IA estão se tornando fluxos de trabalho, não pontuadores únicos, desde agentes de pesquisa open-source que executam pipelines de literatura a artigo até sistemas de IA que se organizam por si mesmos. A consequência prática: equipes sem orçamentos massivos de HTS ganham uma entrada de menor custo na descoberta de hits, e até ligantes micromolares podem servir à biologia estrutural como pontos de partida para cristalografia ou criomicroscopia. Nada disso elimina o químico medicinal ou o biólogo estrutural; apenas move a atenção deles para mais cedo no pipeline.

O que fazer a seguir

• Ao avaliar um modelo de triagem, peça dados prospectivos, não apenas AUC: orçamentos por alvo, taxas de hit, ensaios ortogonais, contra-ensaios.
• Coloque a triagem ADMET antes da aquisição, não depois da ligação.
• Trate a atividade funcional como um experimento: combine triagens com leituras seletivas de estado ou funcionais quando a classe do alvo exigir.
• Adicione sua própria etapa de PAINS virtuais — a agregação de pontuações entre alvos é barata e filtra o viés do modelo.
• Acompanhe o custo por hit confirmado e o tempo da sequência ao resultado de laboratório; esses são os números que realmente melhoram.

Leia também as limitações: os pesos da pontuação composta não são totalmente divulgados, não há comparação direta contra um fluxo de docking robusto sob orçamentos idênticos, e a maioria dos hits são ligantes micromolares em estágio inicial, não leads. Essa transparência é, por si só, um sinal de que o campo está amadurecendo.