Trecento misurazioni di laboratorio migliorano lo screening virtuale

Lo screening virtuale serve a pescare da una grande libreria di composti quelli che vale la pena testare in laboratorio. Il budget sperimentale è limitato, quindi non conta tanto la classificazione completa, quanto la rapidità con cui le molecole davvero attive compaiono in classifica. Un gruppo di autori giapponesi ha verificato se Boltz-2 si possa preparare a questo scopo con alcune decine o alcune centinaia di misurazioni di un test specifico.

Quanti dati bastano

Gli autori hanno messo a punto le teste di affinità di Boltz-2, fornendo al modello da 40 a 300 etichette binarie di attività. La valutazione è retrospettiva, su otto bersagli del set MF-PCBA. Con 300 misurazioni il numero di composti attivi nel primo per cento della classifica è cresciuto in media geometrica di 1,77 volte rispetto alla variante non ottimizzata. La precisione media è migliorata di 2,14 volte. È un risultato che dipende dal bersaglio e da come è stato scelto il set di addestramento. Gli autori lo trattano quindi come un segnale, non come una regola.

Il secondo esperimento riguarda il costo di calcolo. Invece di rinumerare l'intero set di candidati con la testa ottimizzata, i ricercatori hanno limitato il rescoring a circa il dieci per cento delle proposte di Boltz-2 con il punteggio migliore. Con questa restrizione il recupero dei successi è rimasto paragonabile al rescoring completo. La conclusione pratica è semplice: se il modello ha già un buon senso della scala grossolana, basta rifinire la parte finale della lista.

Gli autori stessi precisano che lo studio è retrospettivo: le etichette provengono da set già pronti, non da un nuovo esperimento. I numeri ottenuti descrivono quindi il comportamento del metodo su dati noti, non la sua efficacia in un laboratorio sconosciuto. La conclusione pratica resta però utile: invece di addestrare il modello da zero su decine di migliaia di misurazioni, basta mettere a punto le teste su un set che sta nel budget di un singolo progetto. E si guadagna comunque nell'ordine dei candidati.

L'elaborazione dei dati in proteomica

In parallelo si sviluppa il lato della misura. Un altro lavoro presenta ProteoEM, una libreria open source in Python che stima l'abbondanza di proteine e proteoforme a partire da tracce di affinità a singola molecola. Il problema è che un legame imperfetto e aspecifico della sonda fa sì che una singola traccia corrisponda a diverse identificazioni possibili. Invece di assegnare la traccia a un solo candidato, l'autore propone di distribuire l'incertezza in modo ponderato, in uno schema di massimizzazione della verosimiglianza attesa, con indicatori di risposta della sonda calibrati a monte. Le proteoforme indistinguibili vengono riportate dal modello come gruppi, invece di forzare una scelta arbitraria.

I due approcci condividono un'idea: nella ricerca biomedica ha valore non la precisione astratta, ma il modo in cui la decisione del modello si traduce nel passo successivo, costoso, in laboratorio. Per questo nella valutazione dei modelli comincia a contare non la qualità media sull'intero set, ma il lavoro svolto in quella finestra stretta che conta davvero.