Confidence is the key: how conformal prediction enhances the generative design of permeable peptides

ملخص تقني: الثقة هي المفتاح: كيف يعزز التنبؤ التوافقي التصميم التوليدي للببتيدات النفاذة

بيان المشكلة
تعد النماذج التوليدية المقترنة بالتعلم التعزيزي (RL)، مثل REINVENT وPepINVENT، أدوات قوية للتصميم الجزيئي من العدم (de novo). ومع ذلك، فإن اعتمادها على النماذج التنبؤية كدوال تسجيل (scoring functions) يفرض ثغرة حرجة: نطاق التطبيق (domain of applicability). فعندما يستكشف وكلاء التعلم التعزيزي الفضاء الكيميائي، غالبًا ما يقترحون جزيئات تقع خارج التوزيع التدريبي للنموذج التنبؤي. وفي هذه المناطق، تصبح التنبؤات غير موثوقة، مما قد يوجه عملية التحسين نحو مساحات كيميائية ذات مكافأة عالية ولكن مع عدم يقين مرتفع. وتتفاقم هذه المشكلة بشكل خاص في حالة الببتيدات الحلقية، التي تظهر وعودًا علاجية ولكنها ممثلة تمثيلاً ناقصًا في بيانات التدريب مقارنة بالجزيئات الصغيرة. ويكمكم التحدي في التمييز بين التصاميم النفاذة حقًا وبين نواتج الاستقراء (extrapolation) للنموذج، حيث قد تفتقر الاحتمالات المتوقعة العالية إلى المعايرة والموثوقية.

المنهجية
يقترح المؤلفون إطار عمل توليدي مدرك لعدم اليقين يدمج التنبؤ التوافقي (Conformal Prediction - CP) مباشرة في حلقة التعلم التعزيزي لتصميم الببتيدات الحلقية النفاذة للخلايا.

• الإطار التوليدي: تستخدم الدراسة نموذج PepINVENT، وهو نموذج قائم على المحولات (transformer-based) تم تدريبه على بيانات شبه اصطناعية (أحماض أمينية طبيعية وغير طبيعية بتنسيق CHUCKLES). تتضمن عملية التعلم التعزيزي حجب مواقع الأحماض الأمينية في الببتيدات الحلقية المدخلة وتوليد بدائل لها.
• النموذج التنبؤي: يقوم مصنف XGBoost مدرب على قاعدة بيانات CycPeptMPDB (التي تحتوي على 6,876 مدخلًا من الببتيدات الحلقية) بالتنبؤ بالنفاذية عبر الغشاء السلبي (بيانات مقايسة PAMPA). يستخدم النموذج بصمات الروابط الممتدة (ECFP) كواصفات.
• تحديد عدم اليقين: بدلاً من استخدام الاحتمالات الخام، استخدم المؤلفون التنبؤ التوافقي الاستقرائي المندلي (Mondrian Inductive Conformal Prediction - ICP). يعمل هذا الإطار على معايرة التنبؤات لتوفير تقديرات ثقة صالحة لكل حالة على حدة. وهو يولد قيمتين احتماليتين (p-values): $P_1$ (الثقة في أن الجزيء نافذ) و $P_0$ (الثقة في أن الجزيء غير نافذ).
  • يعتبر التنبؤ "كفؤًا توافيًا" (موثوقًا) إذا كان $P_1 > 0.2$ و $P_0 < 0.2$ (ما يعادل مستوى ثقة 80%).
  • استُخدم متنبئ توافي مجمع (ACP) باستخدام 10 نماذج ICP لتحسين الكفاءة.
• استراتيجيات التسجيل: قيمت الدراسة ست دوال تسجيل داخل حلقة التعلم التعزيزي:
  1. النموذج الخام (RM): احتمال الفئة النافذة (الأساس/Baseline).
  2. CP P1: تعظيم القيمة الاحتمالية للفئة النافذة.
  3. CP 1-P0: تعظيم متمم القيمة الاحتمالية للفئة غير النافذة.
  4. CP P1-P0: تعظيم الفرق بين القيمتين الاحتماليتين.
  5. الدالة الصارمة (Harsh Function): مكافأة ثنائية (1 أو 0) فقط إذا كان كل من $P_1 > 0.2$ و $P_0 < 0.2$.
  6. الدالة الناعمة (Soft Function): دالة خطوة توفر مكافأة جزئية (0.5) إذا تحقق أحد الشرطين، ومكافأة كاملة (1) إذا تحقق كلاهما.

تقوم حلقة التعلم التعزيزي بتحسين هذه الدرجات عبر 350 حقبة (epoch) لـ 150 استعلام اختبار (ببتيدات حلقية بطول 6-12 بقايا حمض أميني)، مع حجب 1-4 مواقع لكل استعلام.

النتائج الرئيسية

• محدودية الاحتمالات الخام: بينما نجح وكيل التعلم التعزيزي في زيادة احتمالات النموذج الخام (من 0.51 إلى 0.87)، إلا أن عدد التنبؤات النافذة توافيًا ظل منخفضًا. فالاحتمالات الخام العالية لم تضمن وقوع الجزيئات ضمن نطاق تطبيق المتنبئ، حيث ظلت $P_0$ غالبًا فوق عتبة الأهمية.
• تفوق التسجيل القائم على CP:
  • أظهرت أهداف القيمة الاحتمالية الواحدة (P1 أو 1-P0) تحسينات طفيفة وفشلت في ضمان الثقة المشتركة.
  • تفوقت دالة التسجيل "الناعمة" (Soft) على جميع الطرق الأخرى. فقد حققت أسرع تقارب (الوصول إلى الهدف المتمثل في 50% من التنبؤات النافذة الكفؤة توافيًا في حوالي 150 حقبة) وولت أعلى نسبة من الجزيئات ذات العلامات النافذة الموثوقة.
  • كانت الدالة "الصارمة" قابلة للتعلم ولكنها كانت أقل كفاءة في مرحلة الاستكشاف المبكر بسبب ندرة المكافآت.
• الصلاحية مقابل الكفاءة: ولدت دالة التسجيل الناعمة عددًا إجماليًا أقل من الجزيئات الفريدة مقارنة بالنموذج الخام أو طرق القيمة الاحتمالية الواحدة، ولكن نسبة تلك الجزيئات التي كانت تنبؤات نافذة كفؤة توافيًا كانت أعلى بكثير. وهذا يشير إلى أن النموذج الخام يضخم معدلات الإصابة (hit rates) بتنبؤات غير موثوقة، بينما يستهدف نهج CP-soft النتائج الموثوقة.
• الاعتماد على الطول: تباين الأداء باختلاف طول الببتيد. نجحت دالة التسجيل الناعمة في تحسين الببتيدات ذات الأطوال 6، 7، 8، و10 (الممثلة جيدًا في بيانات التدريب). أما بالنسبة للأطوال 9، 11، و12 (الأقل تمثيلًا)، فقد كافح النموذج للوصول إلى مستويات ثقة عالية خلال 350 حقبة، مما يوضح قدرة الإطار على الإشارة إلى تجاوز هدف التصميم لنطاق تطبيق المتنبئ.

الأهمية والادعاءات
يدعي البحث تقديم أول إطار عمل يدمج التنبؤ التوافقي مباشرة في التصميم التوليدي الموجه بالتعلم التعزيزي. ويرى المؤلفون أن هذا النهج:

1. يسد الفجوة: يربط بين عدم اليقين المتأصل في النماذج التنبؤية وبين الاستكشاف الاستراتيجي للتعلم التعزيزي، مما يمنع الوكيل من استغلال المناطق غير الموثوقة في الفضاء الكيميائي.
2. يعزز الموثوقية: من خلال مكافأة التصاميم بناءً على الثقة المعايرة بدلاً من الاحتمالية الخام، يضمن الإطار أن الجزيئات المولدة ليست عالية الدرجة فحسب، بل صالحة إحصائيًا ضمن نطاق النموذج.
3. يحسن الكفاءة: تعمل استراتيجية التسجيل "الناعمة" على تسريع التقارب نحو المساحات الكيميائية ذات المكافأة العالية والموثوقة مقارنة بالطرق التقليدية التي لا تدرك عدم اليقين.
4. المنفعة العملية: يوفر الطريقة آلية قابلة للضبط (عبر مستويات الأهمية) للتحكم في المقايضة بين الاستكشاف وصرامة نطاق التطبيق، مما يقدم استراتيجية قوية لمهام التصميم الجزيئي حيث تكون موثوقية التنبؤ أمرًا بالغ الأهمية.

تخلص الدراسة إلى أنه بينما قد تختلف دالة التسجيل المثلى تحديدًا حسب المهمة، فإن التأثير التآزري للجمع بين CP والتعلم التعزيزي والنماذج التوليدية يقدم مسارًا قابلًا للتعميم نحو تصميم جزيئي من العدم أكثر موثوقية وكفاءة.