A Previsão Cold-Start do HierHGT-DTI Enfrenta o Teste Mais Difícil da Descoberta de Fármacos
A previsão cold-start do HierHGT-DTI superou seis modelos de comparação em testes-chave envolvendo alvos proteicos inéditos, segundo um novo estudo revisado por pares. O resultado aborda um problema difícil na descoberta computacional de fármacos. Modelos costumam ter bom desempenho quando os dados de teste se assemelham aos exemplos de treinamento. Sua precisão pode cair acentuadamente quando um alvo não tem histórico registrado de interações.
Os pesquisadores Zhangben Chen e Yaping Wan desenvolveram o HierHGT-DTI na University of South China. O sistema combina informações de estrutura química e sequência proteica em um único grafo tipado e multiescala. Em seguida, prevê se um candidato a fármaco interage com uma proteína.
O embate não é simplesmente entre o HierHGT-DTI e outro modelo. Trata-se de raciocínio molecular transferível contra o sucesso em benchmarks construído, em parte, sobre compostos, proteínas e arcabouços químicos familiares. O modelo apresentou suas maiores vantagens quando as identidades das proteínas foram excluídas do treinamento. Ainda assim, diversas conclusões também mostram por que essas pontuações não podem comprovar utilidade em laboratório.
O HierHGT-DTI Vence Quando o Histórico Proteico Desaparece
O resultado importante não é a classificação geral do modelo. É onde surgiu a maior diferença de desempenho.
O estudo revisado por pares foi publicado na BMC Bioinformatics em 14 de setembro de 2026. Chen e Wan avaliaram o HierHGT-DTI em DrugBank, BioSNAP e BindingDB. Esses conjuntos de dados públicos contêm associações registradas entre fármacos e alvos proteicos.
Os pesquisadores usaram três configurações de avaliação. Uma divisão aleatória distribui pares de interação entre grupos de treinamento, validação e teste. Assim, fármacos e proteínas conhecidos podem aparecer nos dois lados da divisão.
Uma divisão cold-drug exclui identidades completas de fármacos do treinamento. Uma divisão cold-protein faz o mesmo com sequências proteicas. A terceira configuração representa mais de perto um alvo recém-implicado sem dados estabelecidos de ligantes.
A previsão de interação fármaco-alvo, ou DTI, classifica compostos que parecem propensos a interagir com proteínas específicas. Ela não comprova eficácia clínica nem confirma a ligação física. Em vez disso, pode reduzir a lista de candidatos enviados para experimentos bioquímicos ou celulares.
O HierHGT-DTI ficou em primeiro lugar nas seis configurações aleatórias e cold-start em DrugBank e BioSNAP. Os pesquisadores repetiram as avaliações com cinco sementes aleatórias para reduzir a dependência de uma inicialização favorável.
No teste cold-protein do DrugBank, o modelo registrou AUROC de 0,864 e AUPR de 0,878. AUROC mede o ranqueamento entre exemplos positivos e negativos em diferentes limiares. AUPR enfatiza a precisão entre os positivos recuperados, o que a torna útil quando exemplos positivos são escassos.
A melhor linha de base do DrugBank alcançou AUROC cold-protein de 0,776. Portanto, o HierHGT-DTI liderou por 8,8 pontos percentuais. Sua vantagem em AUPR foi de 7,9 pontos.
Os resultados do BioSNAP seguiram a mesma direção. O HierHGT-DTI atingiu AUROC cold-protein de 0,863 e AUPR de 0,866. O melhor AUROC de linha de base foi 0,805, deixando uma diferença de 5,8 pontos.
Essas diferenças foram maiores do que as frações que normalmente separam modelos em dados de teste conhecidos. Elas também resistiram à correção para múltiplas comparações do estudo em toda a família de benchmarks DrugBank e BioSNAP.
O resultado foi menos decisivo no BindingDB. O HierHGT-DTI alcançou o melhor AUPR cold-protein, de 0,681. No entanto, o HiGraphDTI registrou um AUROC cold-protein ligeiramente maior: 0,835 contra 0,831.
O HiGraphDTI também liderou as configurações aleatória e cold-drug do BindingDB. Seu AUROC e AUPR aleatórios foram 0,934 e 0,837. O HierHGT-DTI alcançou 0,932 e 0,829.
Esse resultado misto é importante. Ele concentra o argumento mais forte do novo modelo na priorização de candidatos para proteínas inéditas. Não estabelece superioridade universal em tarefas de previsão de interações fármaco-alvo.
Os três conjuntos de dados também diferem substancialmente. O DrugBank continha 34.748 pares preparados, incluindo 17.250 exemplos positivos. O BioSNAP continha 27.457 pares e 13.830 positivos.
O BindingDB continha 24.743 pares, mas apenas 5.784 positivos, produzindo uma taxa positiva de 23,4%. DrugBank e BioSNAP ficaram ambos próximos de 50%.
A AUPR muda conforme a prevalência de exemplos positivos. Portanto, seus valores brutos devem ser comparados dentro de um conjunto de dados, não entre conjuntos de dados. O estudo reconheceu explicitamente essa limitação.
Os autores compararam o HierHGT-DTI com MolTrans, TransformerCPI, DrugBAN, DO-GMA, GeNNius e HiGraphDTI. Essas linhas de base abrangem modelos de sequência, sistemas de atenção e abordagens baseadas em grafos.
Este é um teste mais robusto do que comparar resultados copiados de artigos não relacionados. Todos os modelos utilizaram divisões de dados equivalentes e as mesmas cinco sementes. Essa consistência reduz diversas fontes comuns de diferenças de desempenho enganosas.
No entanto, benchmarks equivalentes continuam sendo benchmarks. As pontuações medem a capacidade do modelo de ranquear exemplos selecionados e pares não rotulados amostrados. Elas não mostram se suas principais previsões se transformam em medicamentos validados.
Por Que a Previsão Cold-Protein Cria a Pressão Real
Um modelo que falha com proteínas inéditas oferece ajuda limitada quando a biologia revela um alvo sem ligantes conhecidos.
Divisões aleatórias de teste podem fazer a previsão molecular parecer mais fácil do que a implantação real. Um sistema pode explorar proteínas recorrentes, compostos relacionados ou arcabouços químicos familiares. Ele pode ranquear pares excluídos sem dar um salto significativo para uma biologia desconhecida.
Essa preocupação antecede o HierHGT-DTI. Pesquisas sobre memorização de benchmarks mostraram que testes baseados em ligantes podem recompensar a similaridade com compostos de treinamento. Uma alta precisão em divisões aleatórias pode, portanto, superestimar a generalização.
O problema cold-start remove parte desses apoios. Na avaliação cold-protein, toda sequência proteica de teste está ausente do treinamento e da validação. O modelo precisa transferir padrões aprendidos em outros contextos.
Essa configuração importa porque apenas parte do proteoma humano é abordada por fármacos estabelecidos. Pesquisas anteriores mapearam o conjunto limitado de proteínas associadas a terapias aprovadas e em estágio clínico. Elas também identificaram muitos alvos inexplorados com potencial relevância terapêutica.
Um alvo pode se tornar interessante por meio da genética, da biologia de doenças, de pesquisas sobre resistência ou de novas evidências de vias biológicas. Ainda assim, pode não ter ligantes testados em quantidade suficiente para um modelo supervisionado convencional.
Isso cria pressão para todo sistema DTI construído em torno do histórico de interações. Os alvos mais recentes costumam ser justamente aqueles com os rótulos mais escassos. Um método que depende fortemente de rótulos anteriores se torna mais fraco onde as equipes de descoberta mais precisam de priorização.
O HierHGT-DTI tenta deslocar a fonte de evidência para longe do histórico de interações. Ele utiliza a representação SMILES de um fármaco, que codifica sua estrutura química como texto. Também utiliza a sequência de aminoácidos do alvo.
O modelo não precisa de uma estrutura proteica tridimensional resolvida experimentalmente. Em vez disso, usa ESM-2, um modelo de linguagem de proteínas treinado para aprender padrões a partir de sequências biológicas.
O estudo utilizou a variante compacta do ESM-2 com oito milhões de parâmetros. Ela gerou uma representação de 320 dimensões para cada resíduo. O mesmo modelo também produziu um mapa de contatos previsto, descrevendo relações prováveis entre resíduos.
Essa escolha facilita a aplicação do sistema a proteínas com sequências conhecidas, mas sem estruturas experimentais. Também significa que parte da inteligência aparente vem de representações proteicas pré-treinadas, e não apenas da nova arquitetura de grafos.
Os autores reconheceram essa distinção. Eles pediram um preditor mais simples que use os mesmos embeddings do ESM-2. Essa comparação isolaria quanto do ganho cold-protein vem do desenho do grafo.
A avaliação cold-drug apresenta outra complicação. Uma molécula excluída pode continuar quimicamente semelhante a um composto de treinamento. Nas divisões cold-drug convencionais do estudo para DrugBank e BioSNAP, mais da metade dos compostos de teste compartilhava um arcabouço Bemis-Murcko com dados de treinamento ou validação.
Um arcabouço Bemis-Murcko representa os anéis centrais e a estrutura de conexão de uma molécula. Compartilhar um deles não torna dois compostos idênticos, mas pode preservar uma familiaridade estrutural substancial.
Os pesquisadores adicionaram testes sem sobreposição de arcabouços para abordar essa questão. O AUROC do HierHGT-DTI diminuiu 2,5 pontos no BioSNAP, 2,1 pontos no DrugBank e 1,4 ponto no BindingDB.
Esses declínios sustentam a preocupação de que as pontuações cold-drug convencionais se beneficiam da similaridade de arcabouços preservada. No entanto, o estudo testou apenas o HierHGT-DTI sob esse protocolo mais rigoroso. Não reexecutou as seis linhas de base para uma comparação direta.
O teste cold-protein também tem uma lacuna relacionada. Sequências exatas de teste foram excluídas do treinamento, mas as proteínas não foram separadas por agrupamento de famílias de sequência. Homólogas próximas poderiam permanecer entre os grupos.
Isso significa que o teste representa identidades inéditas, mas não necessariamente famílias proteicas desconhecidas. Um protocolo futuro mais robusto excluiria agrupamentos de sequências ou famílias inteiras.
A previsão cold-start do HierHGT-DTI, portanto, eleva o padrão sem concluir o teste de generalização. Ela demonstra forte transferência além de identidades exatas. Ainda não demonstra transferência entre famílias proteicas distantes.
Um Grafo Multiescala Mantém os Detalhes Moleculares Conectados
O mecanismo central do HierHGT-DTI preserva sinais moleculares finos enquanto lhes oferece caminhos curtos para decisões sobre o fármaco e a proteína como um todo.
O sistema representa cada par candidato como um único grafo heterogêneo. Heterogêneo significa que o grafo contém diferentes tipos de nós e relações, em vez de tratar cada objeto e conexão de forma idêntica.
Há seis tipos de nós. O lado do fármaco contém átomos, subestruturas químicas e um nó do fármaco completo. O lado da proteína contém resíduos, comunidades de resíduos e um nó da proteína completa.
A hierarquia química começa com descrições de átomos em 74 dimensões. Elas codificam propriedades que incluem identidade do elemento, valência, carga, aromaticidade, hibridização e quiralidade.
O RDKit então divide cada molécula em subestruturas BRICS. BRICS é um método de fragmentação baseado em regras que separa moléculas em torno de ligações quimicamente significativas.
A hierarquia proteica começa com os embeddings de resíduos do ESM-2. O modelo mantém sequências registradas completas, em vez de truncar proteínas longas. Janelas sobrepostas fornecem contatos previstos quando uma sequência é longa demais para uma única passagem.
Os resíduos passam a ser conectados por proximidade na sequência, contatos previstos e similaridade de embeddings. O agrupamento Louvain organiza esse grafo em comunidades intermediárias.
O código-fonte chama esses nós de comunidade de “pockets”, mas esse rótulo exige cautela. São grupos computacionais derivados de informações de sequência. Não são bolsões de ligação de ligantes medidos experimentalmente.
O HierHGT-DTI então conecta escalas adjacentes em ambas as direções. Átomos se conectam a subestruturas, que se conectam ao fármaco completo. Resíduos se conectam às suas comunidades, que se conectam à proteína completa.
Atalhos diretos também conectam átomos ao nó do fármaco e resíduos ao nó da proteína. Esses caminhos permitem que informações detalhadas alcancem representações globais sem passar por todos os níveis intermediários.
Por fim, uma aresta bidirecional une os supernós do fármaco e da proteína para cada par candidato. Essa aresta aparece em exemplos positivos e não rotulados. Ela não revela o rótulo correto da interação.
O grafo completo usa 18 tipos de relações direcionadas. Duas camadas de transformadores de grafos heterogêneos processam essas relações com quatro cabeças de atenção e um tamanho oculto compartilhado de 128.
Um transformador de grafo heterogêneo aplica atenção respeitando os tipos dos objetos e relações conectados. Portanto, o modelo pode tratar uma ligação química de maneira diferente de uma conexão entre resíduos ou de um vínculo hierárquico.
Cada nó primeiro reúne mensagens separadamente para cada relação de entrada. Em seguida, um mecanismo de alocação aprendido combina essas mensagens específicas de cada relação. O cálculo considera tanto preferências de relação aprendidas quanto o número de vizinhos disponíveis.
Após duas camadas, o modelo extrai as representações dos supernós do medicamento e da proteína. Ele combina seus vetores brutos, produtos elemento a elemento e diferenças absolutas. Um preditor multicamadas converte essa representação em uma pontuação de interação.
A arquitetura parece convincente porque reflete vários níveis usados no raciocínio químico e biológico. Átomos formam estruturas funcionais, resíduos formam regiões maiores das proteínas, e ambos contribuem para o comportamento global.
Ainda assim, os resultados de ablação contam uma história mais moderada. A remoção da hierarquia intermediária alterou a AUPR em apenas menos 0,0042 a mais 0,0041 nas seis configurações de DrugBank e BioSNAP.
Nenhuma dessas comparações de hierarquia alcançou significância estatística. A hierarquia bilateral completa ficou em primeiro lugar entre as variantes relacionadas em apenas três das seis configurações.
Em contraste, a remoção de atalhos diretos entre níveis finos e globais reduziu a AUPR média nas seis configurações. As perdas variaram de 0,0002 a 0,0109.
Mesmo essa evidência exige ressalvas. Nenhuma comparação de ablação permaneceu significativa após a correção em toda a família de 96 testes. A remoção conjunta das duas famílias de atalhos também impede atribuir o efeito a apenas um dos lados.
Testes post hoc ofereceram outra perspectiva. Em um checkpoint do BioSNAP, remover relações de atalho durante a inferência causou uma queda de 0,239 no AUROC. Remover relações internas da proteína causou uma redução de 0,069, enquanto remover a hierarquia causou uma queda de 0,038.
Esses diagnósticos mostram de que um modelo treinado dependeu. Eles não provam que uma rota específica causou a vantagem mais ampla no benchmark.
Portanto, o mecanismo mais defensável é mais restrito do que a manchete sugere. HierHGT-DTI tem sucesso como um sistema integrado com múltiplos caminhos de informação. Os caminhos diretos parecem especialmente importantes, enquanto a hierarquia intermediária fornece contexto com ganhos medidos inconsistentes.
O pacote de reprodutibilidade torna essa afirmação testável. Ele inclui código-fonte, configurações, divisões processadas, manifestos, resumos de resultados e instruções de reprodução.
Essa transparência deve ajudar grupos independentes a executar controles mais rigorosos. Também torna o trabalho mais útil do que um artigo cuja construção do benchmark não pode ser reconstruída.
O Benchmark Ainda Contém Negativos Desconhecidos
A maior incerteza não é se os cálculos relatados foram executados corretamente. É se os rótulos representam a questão biológica de forma precisa.
O estudo enquadra a tarefa como previsão binária de interações. Os rótulos positivos correspondem a interações registradas. Muitos rótulos negativos, porém, não correspondem a não interações confirmadas experimentalmente.
Eles são pares candidatos não observados. Alguns podem representar interações genuínas que os pesquisadores ainda não testaram ou adicionaram aos bancos de dados de origem.
Esse é um problema comum em bancos de dados biológicos. “Não registrado” não significa necessariamente “não interage”. Tratar cada par não observado como negativo introduz ruído nos rótulos.
O conjunto preparado do DrugBank continha 17.250 pares positivos e 17.498 pares candidatos negativos após a deduplicação. Os metadados que descrevem a amostragem negativa original estavam incompletos.
A versão upstream não documentou completamente seu universo de candidatos, semente de amostragem, ponderação por grau, controles de scaffold ou controles de similaridade entre proteínas. Essas omissões limitam o que pesquisadores posteriores podem inferir a partir do benchmark.
Os autores exploraram essa sensibilidade alterando a construção dos candidatos. A amostragem consciente do grau dos endpoints reduziu a AUPR em 0,040 a 0,067 em relação à amostragem uniforme em testes selecionados.
Uma proporção de três para um de candidatos negativos produziu valores de AUPR entre 0,680 e 0,878. Essa faixa mostra que o desempenho absoluto depende de como os pesquisadores constroem o conjunto de triagem.
A seleção da métrica também muda o cenário. O AUROC pode parecer tranquilizador quando exemplos negativos predominam, porque a taxa de falsos positivos permanece numericamente pequena.
A AUPR concentra-se mais diretamente em saber se os candidatos mais bem classificados são de fato positivos. Pesquisas que comparam as duas métricas explicam por que a avaliação de precisão-revocação costuma ser mais informativa para tarefas de triagem desbalanceadas.
O BindingDB ilustra essa diferença. HiGraphDTI registrou um AUROC ligeiramente melhor para proteínas frias, enquanto HierHGT-DTI produziu uma AUPR substancialmente melhor.
Para uma equipe de descoberta com capacidade laboratorial limitada, o topo da lista classificada é muito importante. Uma AUPR alta pode indicar menos ensaios desperdiçados entre os candidatos priorizados.
No entanto, a AUPR do benchmark ainda não consegue estimar o sucesso real em laboratório sem um teste prospectivo. O modelo ainda não recebeu um alvo genuinamente novo e produziu uma lista validada de compostos.
O estudo incluiu um pequeno exercício de interpretação externa envolvendo cinco interações positivas registradas com subunidades alfa do receptor GABAA. Os compostos selecionados incluíam clonazepam, isoflurano e desflurano.
Para cada par, os pesquisadores compararam os cinco resíduos mais bem classificados pelo modelo com regiões gerais esperadas. A sobreposição variou de zero de cinco resíduos a cinco de cinco.
Apenas um caso alcançou um valor de permutação não ajustado de 0,050. Outro alcançou 0,077, enquanto os casos restantes foram mais fracos.
Esse resultado desigual não valida um mecanismo de ligação. Os autores afirmaram isso diretamente. Suas comunidades de resíduos são vizinhanças computadas, e os cinco exemplos não estabelecem sítios físicos de ligação.
Portanto, a interpretabilidade deve permanecer separada da classificação preditiva. Uma pontuação de atenção pode mostrar quais características de entrada influenciaram um modelo. Ela não revela automaticamente uma causa bioquímica.
O modelo também depende de várias decisões fixas de pré-processamento. Elas incluem um limiar de contato de 0,5, resolução Louvain de 1,0 e um tamanho mínimo de comunidade de resíduos de três.
Essas configurações não foram otimizadas sistematicamente. Um limiar ou método de agrupamento diferente poderia alterar a representação intermediária da proteína.
O estudo usou um modelo de proteína de oito milhões de parâmetros em vez de uma versão maior do ESM-2. Essa escolha reduziu os requisitos computacionais, mas deixa em aberto se representações de sequência mais ricas alterariam a classificação.
Os autores treinaram cada execução em uma Nvidia RTX 4090 com entradas moleculares e proteicas pré-computadas. O treinamento exigiu de 26,8 a 43,6 minutos por semente nas nove combinações principais de conjunto de dados e divisão.
A inferência média de teste levou de 5,3 a 11,1 segundos, ou aproximadamente 592 a 890 amostras por segundo. O pico de memória GPU alocada variou de 1,53 a 2,54 GiB.
Esses números sugerem que reproduzir o classificador é viável para muitas equipes acadêmicas com acesso a uma GPU moderna. A pré-computação de representações de sequência ainda acrescenta trabalho não capturado pelos tempos de treinamento relatados.
Mais importante ainda, a acessibilidade computacional não resolve a validação experimental. Ensaios prospectivos continuam sendo a linha divisória entre um método de classificação promissor e uma ferramenta de descoberta confiável para decisões reais.
O Que Deve Validar a Previsão Cold-Start do HierHGT-DTI em Seguida
Três testes determinarão se o ganho relatado persiste além das convenções familiares de benchmark.
O primeiro sinal é o desempenho sob exclusões de famílias de proteínas. A exclusão de sequências exatas é útil, mas permite que homólogos próximos apareçam durante o treinamento.
Um experimento mais rigoroso deve agrupar proteínas por identidade de sequência antes da divisão. Clusters ou famílias inteiras ficariam então fora do conjunto de treinamento.
Se HierHGT-DTI mantiver sua vantagem nesse cenário, a evidência de transferência para alvos genuinamente desconhecidos se tornará mais forte. Uma queda acentuada mostraria que parentes biológicos próximos sustentaram o resultado atual.
Esse teste deve incluir as mesmas seis linhas de base. Deve preservar candidatos, sementes, métricas e orçamentos de hiperparâmetros idênticos em todos os modelos.
O segundo sinal é um estudo laboratorial prospectivo. Os pesquisadores devem selecionar uma proteína sem rótulos de interação estabelecidos, congelar o modelo e classificar uma biblioteca de compostos disponível.
Uma equipe às cegas poderia então testar uma parte definida da lista classificada. Ligação confirmada, atividade funcional, taxas de falsos positivos e enriquecimento em relação a linhas de base práticas devem ser relatados.
Esse desenho responderia a perguntas que nenhum conjunto de dados retrospectivo pode resolver. Ele revelaria se previsões bem classificadas economizam experimentos e se o modelo funciona fora das convenções de rótulos herdadas.
Resultados negativos continuariam valiosos. Eles poderiam expor similaridades de sequência enganosas, viés de banco de dados ou características que se correlacionam com interações registradas sem capturar a ligação.
O terceiro sinal é uma ablação controlada por representação. Um preditor mais simples deve receber os mesmos embeddings de resíduos do ESM-2, descritores de átomos, divisões e orçamento de otimização.
Essa comparação isolaria o valor da organização de grafo tipado do HierHGT-DTI. Também mostraria se as características de sequência pré-treinadas explicam a maior parte do ganho em proteínas frias.
Os autores já identificam isso como um próximo passo importante. Eles também propõem ablações separadas de atalhos do lado do medicamento e do lado da proteína, aprendizado positivo-não rotulado, divisões temporais e construção de candidatos correspondentes.
O aprendizado positivo-não rotulado trata interações registradas como positivas sem presumir que cada par restante seja realmente negativo. Essa abordagem reflete melhor bancos de dados biológicos incompletos.
A avaliação temporal ofereceria outro desafio realista. Um modelo poderia treinar com interações conhecidas antes de uma data de corte e prever associações descobertas posteriormente.
Essa estrutura impede que conhecimento futuro entre no pré-processamento ou na construção das divisões. Ela também se assemelha à forma como um sistema implantado encontra novas evidências ao longo do tempo.
Para equipes farmacêuticas e de biotecnologia, o valor de curto prazo é a triagem. HierHGT-DTI não substitui docking, ensaios bioquímicos, estudos celulares, toxicologia ou avaliação clínica.
Em vez disso, ele pode sugerir quais pares composto-alvo merecem primeiro essas etapas dispendiosas. Esse papel se torna valioso quando um novo alvo gera milhares de candidatos plausíveis e a capacidade laboratorial é limitada.
Os desenvolvedores também devem observar a lição de engenharia mais ampla do estudo. O desenho da avaliação pode importar tanto quanto o desenho da arquitetura. Divisões aleatórias podem responder a uma pergunta diferente daquela enfrentada por um sistema implantado.
Um cartão de modelo para esse tipo de sistema deve documentar sobreposição de entidades, sobreposição de scaffolds, similaridade entre famílias de proteínas, amostragem negativa, prevalência de classes e proveniência temporal. Relatar apenas uma pontuação principal esconde informações demais.
Evidências reproduzíveis também exigem registros organizados. Equipes que comparam modelos, conjuntos de dados e resultados de ensaios precisam de um histórico técnico pesquisável, como uma base de conhecimento de engenharia. Caso contrário, as premissas do benchmark podem desaparecer entre experimentos.
A previsão cold-start do HierHGT-DTI é um avanço crível porque seus melhores resultados aparecem sob uma configuração de avaliação mais difícil. Sua implementação aberta e comparações correspondentes fortalecem ainda mais o trabalho.
A conclusão cautelosa continua importante. O sistema classifica melhor alvos proteicos não vistos em dois grandes benchmarks e lidera um teste de precisão-revocação do BindingDB. Ele não estabeleceu ligação física, mecanismo ou valor clínico.
A próxima decisão cabe a pesquisadores independentes. Reproduzir os resultados atuais, aplicar separações por famílias de proteínas e testar em laboratório uma classificação congelada. Essas etapas mostrarão se o modelo encontrou biologia transferível ou dominou outro benchmark cuidadosamente construído.
