CA-DEL: An Open Multi-Target, Multi-Modal Benchmark for Learning from DNA-Encoded Library Screens

ملخص تقني: معيار CA-DEL لعمليات فحص المكتبات المشفرة بالحمض النووي (DNA-Encoded Library)

بيان المشكلة
يواجه تطبيق تعلم الآلة (ML) في اكتشاف الأدوية قيوداً جوهرية ناتجة عن طبيعة بيانات المكتبات المشفرة بالحمض النووي (DEL). فبينما تتيح تقنية DEL فحص مليارات الجزيئات، فإن المخرج التجريبي الأساسي — وهو عدد قراءات التسلسل — هو مجرد وسيط غير مباشر ومليء بالضجيج يعبر عن ألفة الارتباط الجزيئي الحقيقية. وتتأثر هذه الإشارة بعوامل مشوشة مثل الارتباط غير النوعي، وشوائب التصنيع، وتحيزات تضخيم تفاعل البوليميراز المتسلسل (PCR). علاوة على ذلك، تعاني المعايير العامة الحالية لتحليل الـ DEL من قيود حرجة: فهي غالباً ما تعتمد فقط على درجات الإثراء (enrichment scores) المشوبة بالضجيج دون التحقق من الحقيقة الأرضية (ground-truth)، وتفتقر إلى المعلومات الهيكلية ثلاثية الأبعاد دقيقة التفاصيل، وتفشل في معالجة التحدي المحدد المتمثل في التنبؤ بالانتقائية بين الأشكال البروتينية المتماثلة للغاية. ونتيجة لذلك، هناك ندرة في المعايير القوية القادرة على تقييم النماذج القادرة على إزالة الضجيج من هذه الإشارات والتعميم من بيانات الفحص عالي الإنتاجية إلى المركبات المحسنة في مرحلة تطوير الرصاص (lead-optimized compounds).

المنهجية وبناء مجموعة البيانات
لمعالجة هذه الفجوات، قدم المؤلفون CA-DEL، وهو معيار متعدد الأبعاد ومفتوح يركز على نظائر إنزيم الكربونيك أنهيدراز (Carbonic Anhydrase - CA). يتضمن بناء مجموعة البيانات ثلاثة مكونات رئيسية:

1. تحدي الانتقائية متعدد الأهداف: يستهدف المعيار ثلاثة نظائر بشرية لإنزيم CA: وهي CAII (هدف غير مرغوب فيه واسع الانتشار)، وCAIX وCAXII (أهداف مرتبطة بالسرطان). وعلى الرغم من التماثل العالي في الموقع النشط، تتطلب هذه البروتينات من النماذج تعلم ميزات هيكلية دقيقة للتمييز بين الارتباط النوعي لكل نظير، مما يحاكي الضرورة السريرية لتصميم مثبطات انتقائية.
2. نموذج تقييم "من المحاكاة إلى الواقع" (Sim-to-Real): تم تصميم مجموعة البيانات لسد الفجوة بين الفحص والتحقق.
   • مجموعات التدريب: مستمدة من مكتبتين مختلفتين لـ DEL (وهما CAS-DEL وDOS-DEL-1)، تحتويان على حوالي 360,000 مركب مع بيانات عامل الإثراء.
   • مجموعات الاختبار: مستمدة بالكامل من قاعدة بيانات ChEMBL، وتضم جزيئات تشبه الأدوية ذات ألفة ارتباط محددة تجريبياً ($K_i$).
   • التحول التوزيعي: تم هندسة تحدٍ متعمد للخروج عن التوزيع (OOD) حيث تشغل بيانات التدريب (المكتبات التوليفية) وبيانات الاختبار (ChEMBL) مناطق غير متداخلة ومتميزة في الفضاء الكيميائي، وتختلف في الخصائص الفيزيائية والكيميائية (مثل QED والوزن الجزيئي).
3. توليد تمثيلات متعددة الوسائط: لدمج السياق الهيكلي ثلاثي الأبعاد، أنشأ المؤلفون مسار عمل لتوليد هيئات (conformations) البروتين واللجين. وباستخدام هياكل PDB عالية الدقة وبرنامج SMINA للرسو الجزيئي (docking)، قاموا بتوليد مجموعات تصل إلى تسعة وضعيات ارتباط محتملة لكل زوج من اللجين والبروتين. يهدف هذا النهج إلى فصل أداء النموذج عن عدم موثوقية درجات الرسو المنفردة عبر توفير تقريبات منفصلة قوية للتوزيع اللاحق للهيئة (conformational posterior distribution).

المساهمات الرئيسية
يحدد البحث أربع مساهمات رئيسية:

• معيار الانتقائية متعدد الأهداف: بيئة اختبار متخصصة لتقييم النماذج على نظائر CA شديدة التماثل، مما يعالج تحدي الانتقائية في الآليات التحفيزية المحفوظة.
• تمثيلات جزيئية متعددة الوسائط: دمج الطوبولوجيا ثنائية الأبعاد التقليدية مع الهيئات ثلاثية الأبعاد المولدة بشكل منهجي للبروتين واللجين لأكثر من 200,000 مركب، مما يسمح بالتقييم واسع النطاق للتعلم العميق الهندسي.
• تحدي "من المحاكاة إلى الواقع" الموثق بالحقيقة الأرضية: تصميم مهمة يختبر القدرة على التعميم من إشارات إثراء DEL المشوبة بالضجيج إلى قيم $K_i$ الدقيقة من ChEMBL، مما يحاكي عملية تحسين "الضربة إلى الرصاص" (hit-to-lead) في العالم الحقيقي.
• مقاييس تقييم عملية: تقديم تحليل معدل الضربات (Top-N hit rate) لتقييم فائدة النموذج في ظل الموارد المحدودة، والانتقال من مقاييس الارتباط التقليدية إلى قياس نسبة الضربات الحقيقية بين أعلى المركبات تصنيفاً.

النتائج والتحليل
قام المؤلفون بتقييم مجموعة من النماذج، بدءاً من النماذج المرجعية الفيزيائية الكيميائية وصولاً إلى بنيات التعلم العميق المتقدمة، باستخدام معامل ارتباط سبيرمان للرتب ($\rho$) ومعدلات الضربات (Top-N).

• التسلسل الهرمي للأداء: تُظهر النتائج تسلسلاً هرمياً واضحاً حيث تتفوق النماذج العميقة المدركة للبعد الثالث (وتحديداً DEL-Dock وDEL-Ranking) بشكل كبير على النماذج ثنائية الأبعاد وطرق الرسو الكلاسيكية. وفي مقياس SubSp الحرج (الارتباط مع $K_i$ الحقيقية)، حققت النماذج ثلاثية الأبعاد قيمًا بلغت -0.323، بينما أظهرت النماذج المرجعية ثنائية الأبعاد والرسو الكلاسيكي ارتباطات قريبة من الصفر أو موجبة.
• القدرة على إزالة الضجيج: يشير نجاح النماذج ثلاثية الأبعاد إلى أنها تتعلم ميزات التفاعل البيوفيزيائي الأساسية بدلاً من السمات الإحصائية الخاصة بالمكتبة، مما يؤدي بفعالية إلى إزالة الضجيج من إشارات DEL.
• إثراء Top-N: في تحليل معدل الضربات العملي (Top-N)، هيمنت النماذج ثلاثية الأبعاد باستمرار على التصنيفات العليا، حيث نجحت في تركيز المواد الكيميائية القوية في مقدمة القائمة، بينما أظهرت النماذج ثنائية الأبعاد تدهوراً حاداً في الأداء.
• حدود التعميم: كشفت تجارب "الصفر معرفة" (Zero-shot) عن قيود كبيرة؛ حيث واجهت النماذج المدربة على بنية بلورية واحدة أو نظير مستهدف واحد صعوبة في التعميم على الهيئات غير المرئية أو الأهداف المتماثلة (مثل الانتقال من CAIX إلى CAXII)، مما أدى غالباً إلى عكس ترتيب النتائج. وهذا يشير إلى أن النماذج ثلاثية الأبعاد الحالية لا تزال حساسة للاختلافات الهيكلية وقد تعاني من الإفراط في التخصيص (overfitting) لهيئات محددة أو ميزات خاصة بالمكتبة.

الأهمية والادعاءات
يزعم البحث أن CA-DEL يوفر منصة شاملة لتطوير وتقييم نماذج تعلم الآلة المدركة للبعد الثالث والمركزة على الانتقائية. ومن خلال وضع نموذج تقييم صارم "من المحاكاة إلى الواقع"، يثبت المعيار الفرضية القائلة بأن النمذجة الهندسية الصريحة ضرورية لاستخلاص إشارات الارتباط الحقيقية من بيانات DEL المشوبة بالضجيج. ويرى المؤلفون أنه بينما تظهر المنهجيات الحالية المتقدمة نتائج واعدة، فإن القيود الملحوظة في التعميم "صفر معرفة" والانتقائية الدقيقة تسلط الضوء على الحاجة إلى أبحاث مستقبلية في البنيات القائمة على الفيزياء، وتقدير عدم اليقين، والذكاء الاصطناعي القابل للتفسير لتحقيق الإمكانات الكاملة لتصميم الأدوية العقلاني. يهدف هذا العمل إلى تحفيز التقدم في التعلم العميق الهندسي لتصميم الأدوية القائم على البنية من خلال توفير مورد متعدد الوسائط ومعياري.