Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

بيان المشكلة
تتطلب نماذج التعلم الآلي للرسوم البيانية الجزيئية (molecular graphs) بشكل متزايد القدرة على التفسير (explainability) لكسب ثقة الكيميائيين التجريبيين. وهناك مطلب حاسم، ولكنه غالباً ما يتم تجاهله، لضمان المعقولية الكيميائية، وهو أن تكون التفسيرات متسقة عبر التمثيلات الرسومية المتكافئة كيميائياً. حالياً، يمكن للرسومات المختلفة لنفس الجزيء (مثل تباين ترتيب الذرات، أو التوتومرات (tautomers)، أو فك ارتباط المعادن، أو توزيع الشحنات) أن تؤدي إلى تمثيلات جزيئية مختلفة في طرق استخراج الميزات القياسية. يؤدي هذا إلى تنبؤات غير متسقة، والأهم من ذلك، إلى عزوات (attributions) متباينة (تفسيرات مختلفة) لنفس الكيان الكيميائي. تفشل الطرق الحالية، مثل ثوابت Daylight القياسية، في ضمان أن الهياكل المتطابقة كيميائياً تنتج ناقلات ميزات (feature vectors) متطابقة، مما يقوض موثوقية تفسيرات النماذج.

المنهجية: الثوابت المُحققة وفق معيار InChI (INCHIFIED INVARIANTS)
يقدم المؤلفون INCHIFIED INVARIANTS، وهي فئة من ميزات العقد والحواف والرسوم البيانية المصممة لتكون ثابتة تحت التحولات التي تحافظ على الهوية الكيميائية. تعتمد المنهجية على المعرف الكيميائي الدولي (InChI)، وهو معيار طورته الـ IUPAC، لتحديد علاقة التكافؤ. يحاكي البناء دليل InChI التقني من خلال سير عمل تسلسلي مكون من 10 خطوات يُطبق على الرسم البياني الجزيئي المدخل:

1. التحضير: حساب الشحنة الجزيئية الكلية، وتحويل الروابط العطرية إلى أشكال كيكولي (Kekulé) (أحادية/ثنائية)، وتحديد ذرات الهيدروجين كذرات "شبحية" (phantom atoms) (إزالتها من الرسم البياني مع تخزين عددها ومعلومات النظائر في سمات الذرات الثقيلة المرتبطة بها).
2. الفك (Disconnection): فصل ذرات المعادن عن طريق زيادة شحنتها وتقليل شحنة الذرات المرتبطة بها، مما يؤدي فعلياً إلى إزالة روابط المعدن-الرابط (metal-ligand) والارتباط الفراغي المرتبط بها.
3. التطبيع (Normalization): تطبيق تحويلات قائمة على قواعد SMARTS لإعادة توزيع الشحنات الرسمية ورتب الروابط (مثل التعامل مع الزويتيريونات (zwitterions) والأشكال ذات الشحنات المنفصلة).
4. إزالة البروتونات (Deprotonation): إزالة البروتونات من الهيترو-ذرات (heteroatoms) الموجبة وأنماط سلاسل محددة لمعادلة الشحنات.
5. التعادل (Neutralization): محاولة تعادل الشظايا الجزيئية عن طريق تعديل الشحنات والهيدروجين على هيترو-ذرات محددة.
6. تقليل التكافؤ (Valence Reduction): إزالة الهيدروجين الزائد من الذرات غير المعدنية لتقليل التكافؤ إلى المستويات القياسية.
7. كشف الشحنة المتحركة: تحديد سلاسل الروابط المتناوبة التي تربط الشحنات الموجبة على ذرات النيتروجين، ووسمها كـ "عطرية" للتعامل مع الرنين.
8. كشف التوتومرية (Tautomerism Detection): الكشف التكراري عن أنماط التوتومر (مثل تحولات كيتو-إينول)، وإزالة الهيدروجينات المتحركة، ووسم الروابط كـ "عطرية" لالتقاط التكافؤ عبر التوتومرات.
9. نظائر الهيدروجين: التعامل مع البروتيوم (protiums)، والدوتيريوم (deuteriums)، والتريتيوم (tritiums) المتحركة عن طريق إزالة الوسوم الشبحية حيثما كان ذلك مناسباً وتسجيل أعداد النظائر.
10. الكيمياء الفراغية (Stereochemistry): تعيين تسميات R/S و E/Z بناءً على قواعد كاين-إنغولد-بريلوغ (CIP)، مع إسقاط التسميات في الحالات التي لا تُعامل كمركز فراغي حسب معايير InChI.

تتكون INCHIFIED INVARIANTS النهائية من:

• ميزات العقد: العدد الذري، النظير، الدرجة، عضوية الحلقة، أعداد الهيدروجين (الإجمالية ونظائر محددة)، وأكواد CIP.
• ميزات الحواف: أكواد ربط CIP.
• ميزات الرسم البياني: الشحنة الجزيئية الكلية.

يتم الاحتفاظ بالذرات الشبحية في هيكل الرسم البياني مع قيم ميزات صفرية للحفاظ على فهرسة الذرات الأصلية لأغراض التصور (visualization)، ولكن يتم تجاهلها أثناء استخراج الميزات.

المساهمات الرئيسية

1. استخراج ميزات مبتكر: تقديم مجموعة ميزات تفرض الثبات تجاه تحولات الهوية الكيميائية، لتكون بديلاً جاهزاً للاستخدام (drop-in replacement) لميزات الرسوم البيانية الجزيئية القياسية.
2. التحقق واسع النطاق: إثبات على مليون رسم بياني جزيئي من قاعدة بيانات PubChem أن INCHIFIED INVARIANTS تنتج تمثيلات متطابقة للرسوم البيانية المتكافئة كيميائياً (نفس InChI) في 99.62% من الحالات، مقارنة بـ 0.35% فقط لثوابت Daylight القياسية.
3. الحفاظ على الأداء التنبؤي: التحقق من خلال مهام اختبار MoleculeNet المرجعية بأن الأداء التنبؤي يظل محفوظاً مع تحسين الاتساق بشكل كبير عبر التمثيلات الرسومية البديلة.
4. اتساق العزو (Attribution Consistency): تحليل كمي يظهر أن التفسيرات المولدة باستخدام الميزات القياسية تتباين بشكل كبير عبر الرسوم البيانية المتكافئة كيميائياً، بينما تفرض INCHIFIED INVARIANTS اتساقاً شبه تام من خلال البناء.
5. الإصدار مفتوح المصدر: توفير برمجيات لدمج هذه الثوابت في خطوط معالجة التعلم الآلي الحالية.

النتائج

• اتساق التمثيل: في مجموعة بيانات تضم مليون سلسلة SMILES، حققت INCHIFIED INVARIANTS معدل تطابق بنسبة 99.62% للرسوم البيانية التي تشترك في نفس مفتاح InChI، بينما طابقت ثوابت Daylight القياسية 0.35% فقط. وعلى العكس من ذلك، عندما اختلفت مفاتيح InChI، أنتجت كلتا الطريقتين بصمات مختلفة في أكثر من 99.98% من الحالات.
• الأداء التنبؤي: في مجموعات اختبار MoleculeNet الأصلية، قدمت النماذج التي تستخدم INCHIFIED INVARIANTS أداءً مشابهاً لتلك التي تستخدم الميزات المرجعية. ومع ذلك، في مجموعات البيانات ذات التمثيل البديل (الرسوم البيانية لنفس الجزيء التي تم إنشاؤها عبر تحويل SMILES $\to$ InChI $\to$ SMILES)، أظهرت النماذج التي تستخدم INCHIFIED INVARIANTS أداءً أفضل بكثير (على سبيل المثال، انخفاض RMSE في ESOL، وFreeSolv، وLipo؛ وارتفاع ROC-AUC في HIV، وBACE، وBBBP) مقارنة بالنماذج المرجعية. يشير هذا إلى أن النماذج المرجعية حساسة لطريقة التمثيل، بينما تقلل INCHIFIED INVARIANTS من هذه الحساسية.
• اتساق التفسير: باستخدام التدرجات المتكاملة (Integrated Gradients) على نماذج مدربة على ClinTox وHIV، قاس المؤلفون ارتباط "كيندال تاو" (Kendall's tau) للعزوات لآزواج SMILES التي لها نفس InChI.
  • مع الميزات المرجعية: تباين الاتفاق بشكل واسع (على سبيل المثال، متوسط كيندال تاو بلغ 0.78 لـ NeuralFP في HIV، وانخفض إلى 0.35 لـ AttentiveFP).
  • مع INCHIFIED INVARIANTS: كان الاتفاق شبه مثالي (متوسط كيندال تاو بلغ 1.00 عبر جميع الإعدادات).
• التكاليف الحسابية الإضافية: تكلفة المعالجة المسبقة أعلى من ثوابت Daylight القياسية (ارتفع متوسط وقت التشغيل من ~0.02 مللي ثانية إلى ~0.29 مللي ثانية للجزيئات الصغيرة) ولكنها تظل ضئيلة بالنسبة لأوقات تدريب النموذج والاستدلال.

الأهمية والادعاءات
يفترض البحث أن الاتساق هو شرط مسبق ضروري (وإن لم يكن كافياً) لتكون التفسيرات ذات معنى كيميائي. ومن خلال مواءمة تمثيلات الرسوم البيانية الجزيئية مع المعيار الدولي للهوية الكيميائية (InChI)، تضمن INCHIFIED INVARIANTS أن يؤدي رسمان لنفس الجزيء إلى نفس التنبؤات والعزوات. يؤكد المؤلفون أن هذا النهج لا يحل محل InChI لفهرسة قواعد البيانات، بل ينقل نفس المعيار الكيميائي إلى التعلم القائم على الرسوم البيانية كـ ميزات قابلة للاستخدام. يعالج هذا العمل فجوة في الأدبيات حيث يتم تقييم طرق التفسير (مثل LIME، SHAP، GNNExplainer) عادةً على مدخلات ثابتة دون النظر فيما إذا كانت المدخلات المختلفة الصالحة لنفس الجزيء ستؤدي إلى تفسيرات متسقة. ويخلص المؤلفون إلى أن INCHIFIED INVARIANTS توفر طريقة عملية، مستقلة عن البنية (architecture-agnostic)، لتحسين موثوقية التعلم الآلي الجزيئي دون الحاجة إلى تغيير النماذج اللاحقة أو خوارزميات التفسير.