KANEL: Kolmogorov-Arnold Network Ensemble Learning Enables Early Hit Enrichment in High-Throughput Virtual Screening

Die Studie stellt KANEL vor, einen Ensemble-Lernansatz, der interpretierbare Kolmogorov-Arnold-Netzwerke mit etablierten ML-Modellen und komplementären Molekülrepräsentationen kombiniert, um die Früherkennung von Trefferkandidaten im virtuellen Hochdurchsatz-Screening durch eine optimierte Bewertung der frühen Hit-Anreicherung zu verbessern.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Detektiv, der in einer riesigen Bibliothek mit 78 Milliarden Büchern (chemischen Molekülen) nach einem einzigen, geheimnisvollen Buch sucht, das eine Krankheit heilen kann. Das Problem: Sie haben nur Zeit, vielleicht die ersten 128 Bücher aus dem Regal zu nehmen und sie im Labor zu testen. Wenn Sie die falschen 128 Bücher auswählen, verschwenden Sie wertvolle Zeit und Geld.

Die Wissenschaftler hinter diesem Papier haben eine neue Methode namens KANEL entwickelt, um genau dieses Problem zu lösen. Hier ist die Erklärung, wie das funktioniert, ohne komplizierte Fachbegriffe:

1. Das Problem: Der "Nadel-im-Heuhaufen"-Effekt

Früher haben Computermodelle versucht, alle Bücher in der Bibliothek perfekt zu sortieren. Das ist wie ein Schüler, der lernt, jeden einzelnen Buchtitel auswendig zu lernen, aber am Ende nicht weiß, welches Buch auf Seite 1 steht.
In der echten Welt (im Labor) interessiert uns aber nur die Spitze der Liste. Wir wollen wissen: "Welche der ersten 128 Moleküle sind die echten Heilmittel?"
KANEL konzentriert sich nicht darauf, die ganze Bibliothek perfekt zu sortieren, sondern darauf, die besten Kandidaten ganz nach oben zu hieven.

2. Die Lösung: Ein Team statt eines Superhelden

Stellen Sie sich vor, Sie suchen nach dem besten Kandidaten.

• Der Einzelkämpfer: Ein einzelner Experte (ein KI-Modell) schaut sich die Bücher an. Er ist gut, aber er hat vielleicht eine blinde Stelle.
• Das KANEL-Team: Die Forscher haben ein Team aus verschiedenen Experten zusammengestellt.
  • Ein Experte schaut sich die Form der Bücher an (Morgan-Fingerabdrücke).
  • Ein anderer schaut sich den Inhalt und die Struktur an (LillyMol- und RDKit-Beschreibungen).
  • Ein neuer, besonders cleverer Experte namens KAN (Kolmogorov-Arnold-Netzwerk) kommt dazu. KAN ist wie ein Künstler, der nicht nur die Daten sieht, sondern auch verstehen kann, warum etwas funktioniert (er ist "interpretierbar").

Anstatt sich auf einen Experten zu verlassen, fragt KANEL alle Experten und kombiniert ihre Meinungen zu einer einzigen, super-genauen Entscheidung.

3. Die Magie des "Gewichteten Teams"

Nicht jeder Experte ist bei jedem Buch gleich gut.

• Bei Buch A ist Experte X der Beste.
• Bei Buch B ist Experte Y der Beste.

KANEL nutzt einen cleveren Algorithmus (Optuna), der wie ein Dirigent funktioniert. Er hört sich die Meinungen aller Experten an und sagt: "Bei diesem Molekül vertraue ich Experte X zu 70 % und Experte Y zu 30 %." So entsteht eine Entscheidung, die viel genauer ist als die eines einzelnen Experten.

4. Was haben sie herausgefunden?

Die Forscher haben KANEL an fünf verschiedenen "Bibliotheken" (echten Daten aus öffentlichen Laboren) getestet. Das Ergebnis war beeindruckend:

• Bessere Trefferquote: Wenn man die ersten 128 Moleküle testet, findet das KANEL-Team 9 % bis 40 % mehr echte Heilmittel als der beste einzelne Experte.
• Kein Zufall: Sie haben getestet, ob das Team nur Glück hatte, indem sie die Antworten im Voraus durcheinandergebracht haben (Y-Randomisierung). Das Team versagte sofort, wenn die Antworten falsch waren. Das beweist, dass sie wirklich Muster gelernt haben und nicht nur geraten.
• Die beste Kombination: Es war am besten, wenn jeder Experte nur auf seine spezielle Art von Daten schaute und dann zusammenarbeitete, anstatt alle Daten in einen einzigen riesigen Haufen zu werfen.

5. Warum ist das wichtig?

In der Arzneimittelforschung ist Zeit Geld. Jedes Molekül, das im Labor getestet wird, kostet Tausende von Euro.
KANEL ist wie ein Turbo für den Anfang der Suche. Es hilft den Wissenschaftlern, die vielversprechendsten Kandidaten sofort zu finden, damit sie nicht 100 falsche Moleküle testen müssen, bevor sie das eine richtige finden.

Zusammenfassend:
KANEL ist ein cleveres Team aus verschiedenen KI-Experten, die zusammenarbeiten, um in einer unvorstellbar großen Menge an chemischen Verbindungen die winzige Nadel im Heuhaufen zu finden. Anstatt zu versuchen, alles perfekt zu verstehen, konzentrieren sie sich darauf, die Top-128-Kandidaten so gut wie möglich zu identifizieren. Das spart Zeit, Geld und bringt uns schneller zu neuen Medikamenten.

Technische Zusammenfassung

1. Problemstellung

Im Bereich des High-Throughput Virtual Screening (HTVS) stehen Forscher vor der Herausforderung, aus extrem großen chemischen Bibliotheken (z. B. über 78 Milliarden Moleküle im Enamine REAL SPACE) eine kleine Anzahl vielversprechender Verbindungen für experimentelle Tests auszuwählen.

• Limitierung traditioneller Metriken: Herkömmliche globale Leistungsmetriken wie die Area Under the Curve (AUC) oder Balanced Accuracy sind für diesen Anwendungsfall unzureichend. Sie bewerten die Rangfolge der gesamten Bibliothek im Durchschnitt, nicht aber die Qualität der allerersten Vorhersagen.
• Operative Notwendigkeit: Da experimentelle Screening-Kampagnen oft auf Platten mit festen Kapazitäten (z. B. 128 oder 384 Wells) beschränkt sind, ist die entscheidende Frage, ob die Top-N der Rangliste tatsächlich mit aktiven Verbindungen angereichert sind.
• Ziel: Entwicklung eines Workflows, der die Early Hit Enrichment (frühe Anreicherung von Treffern) maximiert, gemessen durch Metriken wie den Positive Predicted Value für die Top 128 (PPV@128).

2. Methodik (KANEL-Workflow)

Die Autoren stellen KANEL vor, einen Ensemble-Lern-Workflow, der verschiedene Modellfamilien und molekulare Repräsentationen kombiniert.

• Datensätze: Die Evaluation erfolgte an fünf öffentlichen PubChem BioAssay-Datensätzen (AIDs 485314, 485341, 504466, 624202, 651820). Alle Datensätze sind stark unausgewogen (Aktivitätsanteile zwischen 0,53 % und 4,12 %).
• Molekulare Repräsentationen: Drei Deskriptor-Familien wurden verwendet:
  1. LillyMol-Deskriptoren.
  2. RDKit-Deskriptoren.
  3. Morgan-Fingerabdrücke (Circular Fingerprints).
• Modellarchitekturen:
  • Basis-Modelle: XGBoost, Random Forest (RF), Multilayer Perceptron (MLP).
  • Neuheit: Kolmogorov-Arnold Networks (KANs), spezifisch die Varianten FasterKAN und ReluKAN. Diese werden als Ensemble-Komponenten genutzt, um Vielfalt und Interpretierbarkeit zu erhöhen.
• Ensemble-Strategie:
  • Anstatt alle Merkmale in einem einzigen Modell zu concatenieren, wurden spezialisierte Modelle für jede Merkmalsgruppe trainiert.
  • Diese Modelle wurden auf Ebene der Vorhersagewahrscheinlichkeiten fusioniert.
  • Optimierung: Ein gewichtetes Ensemble wurde mittels Optuna optimiert. Die Zielfunktion war die Maximierung des mittleren PPV@512 während der Kreuzvalidierung, was sich positiv auf PPV@128 auswirkte.
• Validierung:
  • Stratifiziertes Train/Test-Splitting (80/20) über 5 Iterationen.
  • Y-Randomisierungstests (50 % Label-Korruption) zur Überprüfung auf zufällige Korrelationen oder Data Leakage.
  • Vergleich mit Graph Neural Networks (GNN) als Vorstudie.

3. Wichtige Beiträge und Erkenntnisse

A. Überlegenheit von Ensembles gegenüber Einzelmodellen

Das gewichtete Ensemble (Optuna-optimiert) übertraf konsistent das beste einzelne Modell über alle fünf Datensätze hinweg.

• Leistungsgewinn: Die absolute Verbesserung bei PPV@128 lag zwischen 0,06 und 0,12.
• Relative Verbesserung: Dies entspricht einer Steigerung von 9 % bis 40 %.
• Beispiel: Bei AID 624202 stieg der PPV@128 von 0,36 (bester Einzelwert) auf 0,48 (Ensemble). Bei AID 485341 (stärkste Unausgewogenheit) betrug die relative Steigerung 40 % (von 0,15 auf 0,21).

B. Bedeutung der Merkmalsrepräsentation

• Morgan-Fingerabdrücke erwiesen sich als deutlich überlegen gegenüber LillyMol-Deskriptoren.
• Die Kombination von Morgan-Fingerabdrücken mit LillyMol-Deskriptoren führte zu einer weiteren, wenn auch moderaten Verbesserung.
• Strategie: Das Training spezialisierter Modelle auf einzelnen Merkmalssets und deren Fusion auf Vorhersageebene war effektiver als das Training eines einzelnen Modells auf allen concatenierten Merkmalen.

C. Rolle der KANs

• KANs fungierten nicht als universell überlegene Einzelmodelle, sondern als wertvolle Ensemble-Komponenten.
• Sie trugen zur Diversität des Ensembles bei und bieten das Potenzial für Interpretierbarkeit (durch gelernte univariate Antwortfunktionen), was für die chemische Analyse wichtig ist.

D. Robustheit und Validierung

• Y-Randomisierung: Bei 50 % Label-Korruption brach die Leistung drastisch ein (z. B. PPV@128 fiel von ~0,8 auf ~0,3). Dies bestätigt, dass die Modelle echte Struktur-Wirkungs-Beziehungen gelernt haben und nicht auf Datenartefakten basieren.
• GNN-Vorstudie: Ein vorläufiges Graph Neural Network (GNN) erreichte mit PPV@128 = 0,80 ein wettbewerbsfähiges Ergebnis, blieb jedoch unter dem gewichteten Ensemble (0,88). GNNs sind jedoch rechenintensiver und wurden nur auf einem Split getestet.

4. Ergebnisse im Detail (Beispiel AID 504466)

Auf dem Datensatz AID 504466 zeigte das gewichtete Ensemble Verbesserungen bei allen Metriken im Vergleich zum besten Einzelmodell (FasterKAN mit RDKit):

• PPV@128: 0,79 (Einzel) $\rightarrow$ 0,88 (Ensemble).
• ROC-AUC: 0,91 $\rightarrow$ 0,93.
• BEDROC ($\alpha=20$): 0,62 $\rightarrow$ 0,67.

5. Bedeutung und Ausblick

• Praktische Relevanz: KANEL bietet einen zuverlässigen und interpretierbaren Workflow für das „Hit Triage" (Auswahl von Kandidaten) in der datengesteuerten Wirkstoffentwicklung. Die Optimierung auf PPV@128 entspricht direkt den experimentellen Realitäten (Platten-basierte Tests).
• Interpretierbarkeit: Während KANs theoretisch interpretierbar sind, wurde in dieser Studie der Fokus primär auf die Vorhersageleistung gelegt. Die formale Interpretierbarkeit der gelernten Funktionen ist ein wichtiges Thema für zukünftige Arbeiten.
• Zukünftige Schritte:
  • Erweiterung des Benchmarks auf weitere Assays.
  • Implementierung von „Scaffold-based splits" für eine realistischere Generalisierungsbewertung.
  • Integration von GNNs in das Ensemble.
  • Prospektive Validierung durch experimentelle Tests von vorhergesagten Hits in echten Wirkstoffentwicklungsprojekten.

Fazit: Das Paper demonstriert, dass die Kombination aus spezialisierten Modellen, diversen molekularen Repräsentationen und einem optimierten Ensemble-Ansatz (insbesondere unter Einbeziehung von KANs) die frühe Anreicherung von Treffern in virtuellen Screenings signifikant verbessert und somit die Effizienz experimenteller Screening-Kampagnen erhöht.