Ark-ADMET: endpoint-specific selection of molecular representations and hyperparameters for gradient-boosted ADMET models under the Therapeutics Data Commons benchmark protocol

إن تطوير دواء جديد هو عملية استبعاد تبدأ قبل وقت طويل من وصول القرص الدوائي إلى رف الصيدلية. يجب على العلماء التنبؤ بكيفية سلوك المركب الكيميائي داخل جسم الإنسان، وطرح سلسلة من الأسئلة الحاسمة: هل سيتم امتصاصه من قبل الأمعاء؟ هل سينتقل إلى الدماغ؟ هل سيقوم الكبد بتفكيكه بسرعة كبيرة، أم أنه سيسمم القلب؟ هذه الخصائص، المعروفة مجتمعة باسم ADMET، هي التي تحدد ما إذا كان الجزيء الواعد سيصبح دواءً منقذًا للحياة أو تجربة فاشلة. ولأن اختبار هذه السمات في الأنظمة الحية بطيء ومكلف، يعتمد الباحثون على النماذج الحاسوبية لفحص آلاف المرشحين. تعمل هذه النماذح كمرشح، حيث تستخدم الأنماط الرياضية لتخمين مصير الجزيء بناءً على شكله وتركيبته الكيميائية. ومع ذلك، فإن العمليات البيولوجية التي تحاول التنبؤ بها تختلف اختلافًا جذريًا عن بعضها البعض؛ فالقاعدة التي تساعد في التنبؤ بسمية الكبد قد تكون عديمة الفائدة في التنبؤ بمدى قدرة الدواء على الذوبان في الماء.

لسنوات، كان النهج المعياري في هذا المجال هو تطبيق نموذج حاسوبي واحد وموحد لكل سؤال على حدة. كان الباحثون يأخذون نوعًا واحدًا من التمثيل الرياضي للجزيء وخوارزمية محددة، ثم يشغلون ذلك الإعداد نفسه عبر اثنين وعشرين اختبارًا بيولوجيًا مختلفًا متاحًا في قاعدة بيانات عامة كبرى. يفترض هذا النهج "الذي يناسب الجميع" أن أفضل طريقة لوصف جزيء لمهمة ما هي أيضًا الأفضل لكل المهام الأخرى. وتتحدى دراسة جديدة هذا الافتراض. يجادل الباحثون وراء هذا العمل، المعروفون باسم Ark-ADMET، بأنه نظرًا لأن هذه الأسئلة البيولوجية متميزة للغاية، فإن الأدوات المستخدمة للإجابة عليها يجب أن تكون متنوعة بنفس القدر. وبدلاً من فرض وصفة واحدة على اثنين وعشرين مشكلة مختلفة، سعوا لمعرفة ما إذا كان تخصيص النهج لكل سؤال محدد يمكن أن يؤدي إلى نتائج أفضل دون اختراع تقنية جديدة بالكامل.

عمل الفريق ضمن "مجمع البيانات العلاجية" (Therapeutics Data Commons)، وهو مجموعة بيانات عامة ضخمة تُستخدم لتقييم أداء النماذج الحاسوبية المختلفة. وقد ركزوا على اثنين وعشرين نقطة نهاية محددة، تتراوح من كيفية حركة الدواء عبر الدم إلى ما إذا كان يسبب تلفًا للكبد. وبدلاً من بناء شبكة عصبية جديدة ومعقدة من الصفر، أخذوا محركًا موثوقًا ومثبتًا يُسمى "نموذج الشجرة المعززة بالتدرج" (gradient-boosted tree model) ودمجوه مع عملية اختيار مرنة. لقد جمعوا صندوق أدوات يحتوي على طرق مختلفة لوصف الجزيء. تضمن صندوق الأدوات هذا بصمات كيميائية قياسية ترسم مخطط توزيع الذرات، وقياسات ثلاثية الأبعاد لشكل الجزيء، وتمثيلات حاسوبية متقدمة (embeddings) تلتقط الأنماط الهيكلية المعقدة. كما تضمن أيضًا شبكة عصبية ثانوية أبسط يمكن دمجها مع النموذج الرئيسي.

كان جوهر عملهم بروتوكول اختيار صارم مصمم لتجنب الانحياز. في العديد من الدراسات، قد يقوم الباحثون بتعديل نماذجهم بعد رؤية نتائج الاختبار النهائية لجعل الأرقام تبدو أفضل، لكن هذا يؤدي إلى الانحياز. ولمنع حدما حدث، قام الفريق بتقسيم بياناتهم بعناية؛ حيث استخدموا جزءًا محددًا من البيانات، يُسمى "مجموعة التحقق الداخلي"، لتقرير الأدوات التي سيحتفظون بها لكل سؤال من الأسئلة الاثنين والعشرين. إذا أدى مزيج جديد من الأوصاف الجزيئية أو تعديل طفيف في إعدادات النموذج إلى تحسين الدرجة في هذه المجموعة الداخلية، فإنهم يحتفظون به، وإذا لم يفعل، فإنهم يتمسكون بالنسخة السابقة. والأهم من ذلك، أنهم لم ينظروا أبدًا إلى بيانات الاختبار النهائية المخفية حتى تم اتخاذ كل قرار. وقد ضمن ذلك أن أي تحسن يلحظونه هو تحسن حقيقي وليس مجرد تخمين محظوظ.

أظهرت النتتائج أن التخصيص فعال. فعندما قارنوا نماذجهم الـ اثنين وعشرين الفريدة والمخصصة مقابل لقطة ثابتة من لوحة المتصدرين العامة، طابقت مقاربتهم أفضل النتائج الموجودة أو تفوقت عليها في سبعة من أصل واحد وعشرين سؤالًا قابلاً للتصنيف. وفي ثلاث من تلك الأسئلة، كانت درجاتهم أفضل صراحةً من أي نتيجة سُجلت سابقًا. على سبيل المثال، حسنوا التنبؤ بمدى سرعة تنقية الدواء بواسطة ميكروسومات الكبد ومدى ارتباطه ببروتينات الدم. وكشفت الدراسة أنه لا توجد "مجموعة ميزات" واحدة مثالية تصلح لكل شيء. فبالنسبة لبعض الأسئلة، ساعدت إضافة وصف للشكل ثلاثي الأبعاد؛ وبالنسبة لأخرى، جعل الأمر الوضع أسوأ. وبالنسبة لبعضها، كان نوع معين من التضمين الحاسوبي القائم على الرسوم البيانية ضروريًا؛ بينما تم تجاهله تمامًا في حالات أخرى. الميزة الوحيدة التي ظلت موجودة في كل نموذج هي كتلة أساسية من البصمات الكيميائية القياسية، ولكن كل شيء آخر تم اختياره خصيصًا للمهمة المعنية.

ومن المثير للاهتمام أن الدراسة سلطت الضوء أيضًا على حدود البيانات. فالنماذج التي حققت أفضل أداء كانت عمومًا تلك التي امتلك فيها الباحثون عددًا كبيرًا من الأمثلة التدريبية للعمل بها. أما بالنسبة للأسئلة التي سجلت فيها النماذج ترتيبًا أدنى، فقد كانت مجموعات البيانات الخاصة بها صغيرة جدًا، حيث تحتوي على أقل من ألف مثال. وهذا يشير إلى أنه عندما يكون هناك القليل جدًا من البيانات للتعلم منها، فحتى الاختيار الذكي للأدوات لا يمكنه بسهولة إيجاد إجابة أفضل. كما لاحظ الباحثون أنه بالنسبة لمهمة محددة تتعلق بـ "الألفة الدهنية" للدواء (lipophilicity)، تفوق نوع مختلف من النماذج يُسمى "شبكة تمرير الرسائل" (message-passing network) على نهجهم القائم على الأشجار، مما يثبت أنه لا يوجد خوارزمية واحدة متفوقة لكل وظيفة.

تقدم النتائج مسارًا عمليًا للمجال. لقد أثبت الباحثون أن الأداء التنافسي لا يتطلب اختراع بنية جديدة غير مختبرة أو فرض مجموعة ميزات واحدة على كل مشكلة. فببساطة، ومن خلال اختيار المزيج الصحيح من الأدوات المنشورة والموجودة لكل سؤال بيولوجي محدد، حققوا نتائج رفيعة المستوى. إن هذه المقاربة تحترم الطبيعة الفريدة لكل نقطة نهاية بيولوجية، وتشير إلى أنه في المستقبل، قد لا يكون السبيل الأكثر فعالية للتنبؤ بسلوك الدواء هو بناء نموذج أكبر وأكثر تعقيدًا، بل أن نكون أكثر دقة في اختيار الأدوات المحددة التي ستُستخدم للإجابة على كل سؤال محدد. وتخلص الدراسة إلى أن الوصفة الموحدة ليست شرطًا للنجاح؛ بل إن النهج المخصص، القائم على التحقق الصارم، يوفر بديلًا قويًا وسهل الوصول لتطوير اكتشاف الأدوية.