Language-Grounded Drug Representations for Cold-Start Drug–Drug Interaction Prediction

Stellen Sie sich vor, Sie versuchen zu erraten, was passiert, wenn zwei neue Freunde aufeinandertreffen. Vielleicht werden sie beste Freunde, vielleicht streiten sie sich oder vielleicht ignorieren sie sich einfach nur. In der Welt der Medizin sind diese „Freunde“ Medikamente, und ihre „Begegnungen“ werden als Arzneimittelwechselwirkungen (Drug-Drug Interactions, DDIs) bezeichnet. Wenn die falschen Medikamente aufeinandertreffen, kann das für Patienten gefährlich werden.

Lange Zeit haben Wissenschaftler versucht, Computer einzusetzen, um diese Begegnungen vorherzusagen. Die populärste Methode ist wie ein superintelligenter Social-Network-Analysator. Er betrachtet eine riesige Landkarte dessen, wer in der Vergangenheit mit wem zu tun hatte. Wenn Medikament A auf Medikament B getroffen ist und Medikament B auf Medikament C getroffen ist, rät der Computer, wie Medikament A und Medikament C miteinander auskommen könnten. Das funktioniert hervorragend, wenn der Computer bereits jedes einzelne Medikament im Raum gesehen hat.

Aber hier liegt das Problem: Was passiert, wenn ein brandneues Medikament zugelassen wird? Es hat keine Vorgeschichte. Es hat noch niemanden getroffen. Es ist ein völlig Fremder. In der Sprache der wissenschaftlichen Arbeit ist dies das „Cold-Start“-Problem. Die alten „Social-Network“-Computer stoßen hier an eine Wand, da sie sich ausschließlich auf die vergangene Verbindung eines Medikaments verlassen. Wenn es keine Vergangenheit gibt, ist der Computer verloren.

Die neue Idee: Den Lebenslauf des Medikaments lesen

Der Autor, Aaron Ajit, schlägt einen anderen Ansatz vor. Anstatt nur die „soziale Geschichte“ (den Interaktionsgraphen) eines Medikaments zu betrachten, warum nicht stattdessen dessen Lebenslauf zu lesen?

Jedes Medikament hat eine physische Form (seine molekulare Struktur) und eine schriftliche Beschreibung dessen, was es tut (den Text). Das Papier schlägt ein „Dual-Encoder“-System vor, das wie ein Detektiv mit zwei Augen arbeitet:

1. Das Chemie-Auge: Es betrachtet die molekulare Struktur des Medikaments (wie seinen DNA-Code oder Fingerabdruck).
2. Das Lese-Auge: Es liest die schriftliche Beschreibung des Medikaments mithilfe eines superintelligenten, vortrainierten Sprach-Gehirns (genannt PubMedBERT), das viel über Medizin weiß.

Diese beiden Augen arbeiten zusammen, um ein vollständiges Bild des Medikaments zu erstellen, selbst wenn das Medikament noch nie zuvor jemanden getroffen hat.

Der große Test: Wer gewinnt?

Der Autor unterzog diese Idee einem Test anhand von zwei verschiedenen Datensätzen (einer mit 1.706 Medikamenten und 86 Arten von Wechselwirkungen, ein anderer mit 1.268 Medikamenten und einfachen „Ja/Nein“-Wechselwirkungen). Er führte die Experimente dreimal durch, um sicherzustellen, dass die Ergebnisse nicht bloß Glück waren.

Hier ist das Ergebnis:

• Der alte Weg (nur Struktur): Als der Computer nur nach der molekularen Form sah, war er tatsächlich am besten darin, Wechselwirkungen für Medikamente vorherzusagen, die er bereits kannte. Doch in dem Moment, als ein neues, unbekanntes Medikament auftauchte, brach seine Leistung zusammen. Es war wie ein Schüler, der die Antworten der letztjährigen Prüfung auswendig gelernt hat, aber bei einer völlig neuen Aufgabe komplett versagt.
• Der neue Weg (Fusion): Das „Dual-Encoder“-Modell war zwar nicht der absolute Champion, wenn es um alte Medikamente ging, aber als der „Cold-Start“-Test begann, gewann es. Es verschlechterte sich am wenigsten. Es war das einzige Modell, das erfolgreich erraten konnte, wie ein brandneues Medikament mit anderen interagieren würde.

Die Zahlen erzählen die Geschichte deutlich. Auf dem „DrugBank“-Datensatz erreichte das neue Modell 0,627 (auf einer Skala, bei der höher besser ist) für das Szenario „ein neues Medikament“ und schlug damit das alte Struktur-Modell, das 0,583 erreichte. Als beide Medikamente neu waren, erreichte das neue Modell 0,376, während das alte auf 0,344 abfiel. Auf dem „BioSNAP“-Datensatz erreichte das neue Modell 0,831 und 0,726 für die Szenarien mit neuen Medikamenten und schlug damit ebenfalls die Konkurrenz.

Was das Papier ausschließt

Es ist wichtig zu wissen, was dieses Papier nicht als funktionierend darstellt.

• Nur den Text zu lesen, reicht nicht aus: Wenn man nur die schriftliche Beschreibung verwendet und die molekulare Form ignoriert, versagt das Modell. Der Text allein erreichte beim DrugBank „ein neues Medikament“-Test nur 0,497, was viel schlechter ist als das kombinierte Modell.
• Nur nach der Form zu schauen, reicht nicht aus: Wenn man nur die molekulare Form nutzt und den Text ignoriert, versagt das Modell im Cold-Start-Szenario.
• Der „Social-Network“-Trick funktioniert nicht für neue Medikamente: Das Papier argumentt explizit, dass das Vertrauen auf die Position eines Medikaments in einem Graphen vergangener Interaktionen eine Sackgasse für neue Medikamente ist. Das beste Modell für alte Medikamente (der Fingerabdruck-MLP) war das schlechteste im Umgang mit neuen Medikamenten.

Wie sicher sind wir uns?

Der Autor ist sehr vorsichtig in seiner Ausdrucksweise. Er behauptet nicht, das Problem für immer „gelöst“ zu haben. Stattdessen schlägt er vor, dass die Verankerung von Medikamentenrepräsentationen in der Sprache ein praktischer Weg zu besseren Vorhersagen ist.

Die Ergebnisse basieren auf gemessenen Daten aus zwei spezifischen Datensätzen und drei verschiedenen Zufalls-Seeds (Wiederholung des Experiments). Das Papier stellt fest, dass das neue Modell zwar gewinnt, der Unterschied in einigen Fällen jedoch gering ist und die Fehlerbalken (der Bereich der Unsicherheit) sich manchmal überschneiden. Dennoch ist der Trend konsistent: Das kombinierte Modell ist das zuverlässigste, wenn es um das Unbekannte geht.

Der Autor gibt auch einige Einschränkungen zu:

• Etwa 10 % der Medikamente im Test hatten keine schriftlichen Beschreibungen. Das Modell handhabte dies durch ein spezielles „Fehlend“-Tag, aber der Autor merkt an, dass es ein größeres Problem darstellen könnte, falls mehr Medikamente keinen Text besitzen.
• Er konnte eine andere berühmte Methode (SSI-DDI) nicht vollständig reproduzieren, um sie direkt zu vergleichen, daher verglich er sie mit dem besten reproduzierbaren strukturorientierten Modell, das er selbst aufbauen konnte.

Das Fazzeit

Denken Sie es sich so: Wenn Sie wissen wollen, wie ein neuer Schüler in eine Schule passt, können Sie nicht nur darauf schauen, wen er kennt (da er ja noch niemanden kennt). Sie müssen stattdessen auf seine Persönlichkeit (den Text) und seine Fähigkeiten (die molekulare Struktur) schauen.

Dieses Papier schlägt vor, dass wir durch die Kombination aus „Persönlichkeit“ (Text) und „Fähigkeiten“ (Struktur) ein Computerprogramm erschaffen können, das nicht in Panik gerät, wenn ein neues Medikament eintrifft. Es legt nahe, dass dieser „sprachlich fundierte“ Ansatz der Schlüssel zur Vorhersage der Sicherheit der neuesten Medikamente ist, bei denen das Risiko am höchsten ist.