Proteínas y fármacos: cómo acelerar la búsqueda 26 veces exprés
Buscar un nuevo fármaco es como encontrar la llave de una cerradura. La proteína en la célula es la cerradura y la molécula candidata, la llave. Hay que saber si la llave encaja y con qué firmeza se asienta. Antes, la computadora revisaba cada átomo de la cerradura y de la llave para comprobarlo. Una sola cerradura podía tomar horas e incluso días. Revisar millones de llaves era imposible.
TerraBind cambia el enfoque. En lugar de todos los átomos, solo mira los puntos de apoyo: en la proteína, los carbonos alfa (como las nervaduras de un armazón); en la molécula, los átomos pesados (sin hidrógeno). Este "esqueleto" aproximado conserva la forma, pero reduce drásticamente el volumen de cálculo. El resultado: la velocidad aumenta 26 veces y la precisión incluso mejora ligeramente, un 20 por ciento mejor que la de los líderes anteriores.
Una evaluación rápida y precisa de la fuerza de unión es clave en la selección de fármacos. Ahora, con el mismo dinero y tiempo, se pueden probar muchos más compuestos. Además, el programa puede indicar cuán seguro está de su predicción. Esto ayuda a no gastar recursos en opciones dudosas y a encontrar más rápido las moléculas que realmente funcionan.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2602.07735
We present TerraBind, a foundation model for protein-ligand structure and binding affinity prediction that achieves 26-fold faster inference than state-of-the-art methods while improving affinity prediction accuracy by $$\sim$$20\%. Current deep learning approaches to structure-based drug design rely on expensive all-atom diffusion to generate 3D coordinates, creating inference bottlenecks that render large-scale compound screening computationally intractable. We challenge this paradigm with a critical hypothesis: full all-atom resolution is unnecessary for accurate small molecule pose and binding affinity prediction. TerraBind tests this hypothesis through a coarse pocket-level representation (protein C$$_\beta$$ atoms and ligand heavy atoms only) within a multimodal architecture combining COATI-3 molecular encodings and ESM-2 protein embeddings that learns rich structural representations, which are used in a diffusion-free optimization module for pose generation and a binding affinity likelihood prediction module. On structure prediction benchmarks (FoldBench, PoseBusters, Runs N' Poses), TerraBind matches diffusion-based baselines in ligand pose accuracy. Crucially, TerraBind outperforms Boltz-2 by $$\sim$$20\% in Pearson correlation for binding affinity prediction on both a public benchmark (CASP16) and a diverse proprietary dataset (18 biochemical/cell assays). We show that the affinity prediction module also provides well-calibrated affinity uncertainty estimates, addressing a critical gap in reliable compound prioritization for drug discovery. Furthermore, this module enables a continual learning framework and a hedged batch selection strategy that, in simulated drug discovery cycles, achieves 6$$\times$$ greater affinity improvement of selected molecules over greedy-based approaches.
TerraBind usa solo 4 puntos de apoyo por cada aminoácido de la proteína, en lugar de 10-20 átomos, como si un artista dibujara un retrato solo con los ojos y la nariz, pero adivinara el rostro completo.