ملخص تقني: هندسة منحدرات النشاط

بيان المشكلة

تُعتبر منحدرات النشاط (Activity cliffs)—وهي أزواج من المركبات المتشابهة بنيوياً والتي تُظهر اختلافات كبيرة في القدرة البيولوجية—سمات جوهرية لمجموعات البيانات الكيميائية التي تحدد حدود القدرة على التنبؤ في علاقات البنية بالنشاط (SAR). ومع ذلك، فإن تعريف منحدر النشاط هو تعريف إجرائي، يعتمد على عتبتين يحددهما المستخدم: فجوة في القدرة (عادةً $\ge$ 1 لوغاريتمي) وعتبة تشابه بنيوي.

المشكلة المركزية التي يتناولها هذا العمل هي أن التشابه البنيوي ليس خاصية جوهرية لزوج من الجزيئات، بل هو خاصية للمساحة المترية التي تُدرج فيها الجزيئات. وبناءً على ذلك، فإن اختيار التمثيل الجزيئي (التضمين/Embedding) ومقياس التشابه يحدد بشكل أساسي أي الأزواج تصنف كمنحدرات، وعددها، وما إذا كانت قابلة للتنبؤ. يجادل المؤلفون بأن المجال قد انحاز إلى بصمات "مورغان" (Morgan fingerprints) مع تشابه "تانيموتو" (Tanimoto) كنموذج افتراضي دون دراسة منهجية لكيفية تنظيم التمثيلات المختلفة لمشهد النشاط. هذا النقص في الدراسة المنهجية يؤدي إلى استنتاجات حول مشاهد النشاط قد تعكس اختيار المقياس بدلاً من البيولوجيا الكامنة.

المنهجية

يقترح المؤلفون مسار تحليل مكون من ست خطوات مصمم لاختبار فرضية أن منحدرات النشاط هي نتاج تداخل بين هندسة التمثيل وبيولوجيا الهدف. يستكشف هذا المسار خصائص هندسية متميزة لمشهد النشاط، مرتبة حسب المقياس والتبعية المنطقية. الفشل في أي خطوة مبكرة يجعل الخطوات اللاحلة غير قابلة للتفسير.

طُبق المسار على خمسة عشر (تضمين، مقياس) تكوينًا عبر ثلاث مجموعات بيانات للنشاط الحيوي (البروتياز الرئيسي لفيروس SARS-CoV-2، والعامل العاشر Xa، ومستقبل الدوبامين D2)، وهي مجموعات معروفة بتحديات منحدرات النشاط. شملت التكوينات ما يلي:

• البصمات الكلاسيكية: مورغان (نصف قطر 2، 1024 بت)، RDKit الطوبولوجي، ومفاتيح MACCS (166 بت).
• التضمينات المتعلمة: MolFormer، وChemBERTa، وChemeleon (نموذج MPNN مدرب على واصفات Mordred).
• المقاييس: مسافات تانيموتو (Tanimoto)، وDice، وCosine، وL1، وL2.

المسار المكون من ست خطوات

1. هندسة المسافة الزوجية: تحلل توزيع المسافات الزوجية لتحديد القيود الأساسية. تشمل المقاييس: كسر أزواج المسافة الصفرية ($p_0$)، معامل الاختلاف (CV) للنطاق التمييزي، التباين النسبي (RC)، وخلل المركزية (Hubness skewness $S_{Nk}$) للكشف عن مشكلات موثوقية الجوار.
2. إثراء منحدر النشاط: يقيم الكسر التراكمي للمنحدرات ($F(n)$) بين أعلى $n\%$ من الأزواج الأكثر تشابهاً. يشير المنحنى الأدنى إلى أداء أفضل (عدد أقل من المنحدرات بين الأزواج المتشابهة). ويقيس معامل الإثراء $G$ مقدار استنزاف المنحدرات.
3. توزيع تدرج النشاط: يحسب مؤشر مشهد البنية-النشاط (SALI)، حيث $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$، لجميع الأزواج. يتم مطابقة توزيع هذه التدرجات مع دالة بقاء كولراوش-ويليامز-واتس (KWW) لتحديد معلمة الشكل $b$. تشير $b=2$ إلى مشهد سلس وذي ذيول خفيفة (سقف رايلي)، بينما تشير $b<2$ إلى ذيول ثقيلة وتدرجات قصوى متكررة.
4. الهومولوجيا المستمرة للفضاء الفرعي للمنحدرات: يستخدم ترشيح Vietoris–Rips للجزيئات المشاركة في المنحدرات لتتبع المكونات المتصلة ($H_0$). يقيس متوسط الاستمرار ($\mu_{pers}$) والحد الأقصى للاستمرار ($p_{max}$) الفصل الطوبولوجي للعناقيد المعرضة للمنحدرات.
5. المجسات الهندسية للبنية التمثيلية: تدريب مصنفات (انحدار لوجستي، XGBoost، شبكات سيامية) على الفرق المطلق في التضمين $|e_i - e_j|$ للتنبؤ بوجود المنحدر. توضح إحصائيات الفجوة ($\Delta_{lin}$ و $\Delta_{arch}$) مدى غنى التضمين بالتفاعلات الخطية وغير الخطية وتفاعل الميزات.
6. التحقق من الحقيقة الكيميائية الأرضية: التحقق من صحة التمثيلات مقابل مجموعتين فرعيتين محددتين بنيوياً ومستقلتين عن مقياس التشابه الخاص بالمسار نفسه:
   • المتماكبات الفراغية (Stereoisomers): أزواج لها رسوم بيانية متطابقة ولكن بتكوينات ثلاثية الأبعاد مختلفة.
   • الأزواج الجزيئية المتطابقة (MMPs): أزواج مرتبطة بتحول كيميائي واحد.
   • يتم ترتيب الأداء حسب معامل الاختلاف (CV) لتوزيع المسافة بين أزواج المنحدرات ضمن هذه المجموعات الفرعية.

النتائج الرئيسية

1. اعتماد المنحدرات على التمثيل

يغير اختيار التمثيل بشكل جذري عدد منحدرات النشاط المرصودة. في مجموعة بيانات SARS-CoV-2 عند تشابه بنسبة 90%، تباين عدد أزواج المنحدرات المحددة بمعامل قدره 55 عبر التكوينات:

• Morgan Tanimoto: 142 زوجاً.
• Chemeleon Cosine: 752 زوجاً.
• RDKit Dice: 7,903 زوجاً.
  يوضح هذا أن "منحدرية" مجموعة البيانات هي إلى حد كبير نتاج هندسي للتمثيل المختار.

2. الأداء حسب نوع التمثيل

• Morgan Tanimoto: يُظهر أقوى إثراء للمنحدرات ($G$) وتعميماً عبر الهياكل (cross-scaffold). هندسته ثنائية المنوال (تتبع توزيع بيتا)، حيث ينظم الفضاء حول هوية الهيكل. ومع ذلك، فإنه يعاني من عمى كامل تجاه الكيمياء الفراغية ($p_{0,stereo} = 100\%$).
• MolFormer Cosine: هو التكوين الوحيد الذي أظهر حساسية ذات معنى للكيمياء الفراغية (CV مرتفع للمتماكبات الفراغية، $p_{0,stereo} = 0$). يقوم بتشفير معلومات المركز الفراغي كاختلاف اتجاهي، مما يجعل مسافة Cosine (الحساسة للاختلافات الزاوية) متفوقة على L1/L2.
• MACCS و RDKit Dice: أكثر حساسية لتحولات الأزواج الجزيئية المتطابقة (MMP)، حيث حققت أعلى CV لـ MMPs. هي تشفر الأنماط على مستوى القطع (fragments) بفعالية، لكنها تشترك في العمى الكيميائي الفراغي مع البصمات الأخرى.
• ChemBERTa: يفشل بشكل موحد عبر جميع المعايير بسبب "انهيار التضمين" (embedding collapse). فهو ينتج مسافات مركزة بشدة (CV منخفض، مركزية عالية)، مما يؤدي إلى فضاء منحط هندسياً حيث تبدو معظم الجزيئات متشابهة بغض النظر عن النشاط.
• Chemeleon: ينتج أغنى بنية طوبولوجية للمنحدرات (استمرار عالٍ) ولكنه يظهر اعتماداً شديداً على المقياس؛ حيث تنهار مسافات L1/L2 طوبولوجياً في هدف Dopamine D2، بينما يحتفظ Cosine بالبنية.

3. خشونة مشهد الهدف

يكشف التحليل عن اختلافات جوهرية في مشاهد الأهداف مستقلة عن التمثيل:

• SARS-CoV-2: المشهد الأكثر سلاسة (أعلى قيم $b$، تقترب من سقف رايلي $b=2$).
• Factor Xa: خشونة متوسطة.
• Dopamine D2: المشهد الأكثر خشونة. لم يصل أي تكوين إلى $b=2$ في هذا الهدف، مما يشير إلى أن الانقطاعات المهيكلة تستمر بغض النظر عن التضمين. يعزو المؤلفون ذلك إلى المرونة التشكيلية لمستقبلات GPCR وتراكم بيانات المقايسات غير المتجانسة في ChEMBL.

4. عدم تكرار خطوات المسار

كشفت كل خطوة عن أوجه فشل لم تكن مرئية للخطوات الأخرى. على سبيل المثال، أظهر RDKit نطاقاً تمييزياً عالياً (الخطوة 1) ولكن إثراءً ضعيفاً للمنحدرات (الخطوة 2) وتذييلات تدرج ثقيلة (الخطوة 3). كما كشفت الهومولوجيا المستمرة (الخطوة 4) عن انهيارات طوبولوجية في RDKit و Chemeleon لم يتم التقاطها بالكامل عبر الإحصاءات الزوجية.

الأهمية والادعاءات

يزعم البحث أن منحدرات النشاط ليست خصائص جوهرية لأزواج الجزيئات، بل هي خصائص ناشئة عن زوج (التضمين، المقياس) المختار. لا يقترح المؤلفون تمثيلاً واحداً "أفضل"، بل يجادلون بأن التمثيلات المختلفة تشفر جوانب مختلفة ومتداخلة جزئياً من التعرف الجزيئي:

• البصمات (Fingerprints) تتفوق في التحولات على مستوى الهيكل والقطع ولكنها تفشل في الكيمياء الفضاء.
• التضمينات المتعلمة (خاصة مع مسافة Cosine) تتفوق في الحساسية الكيميائية الفراغية ولكنها قد تفتقر إلى خصوصية مستوى القطع (MMP) التي توفرها البصمات.
• لا يوجد "غداء مجاني" (No Free Lunch): لا يتفوق أي تكوين على جميع المعايير في آن واحد.

تكمكن أهمية هذا العمل في توفير إطار لتشخيص الخصائص الهندسية لمشاهد النشاط. ويشير إلى أن اختيار تمثيل دون توصيف هندسته يؤدي إلى استنتاجات تعكس المقياس بدلاً من البيولوجيا. يقترح المؤلفون ضرورة انتقال المجال من استخدام نموذج افتالي عالمي (Morgan/Tanimoto) نحو الاختيار القائم على المهمة:

• استخدم Morgan Tanimoto لتحليل SAR ضمن السلاسل الهيكلية.
• استخدم MolFormer Cosine للمهام الحساسة للكيمياء الفراغية.
• استخدم MACCS/RDKit Dice لتوصيف تحولات MMP.
• استخدم Chemeleon Cosine للاستكشاف الطوبولوجي العالمي.

أخيراً، يشير البحث إلى أن "خشونة" مشهد نشاط الهدف (مثل الصعوبة الجوهرية للتنبؤ بنشاط Dopamine D2) يمكن تحديدها من خلال التوافق عبر تمثيلات متعددة، مما يميز التعقيد البيولوجي عن آثار التمثيل.