A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

Im Wettlauf um die Entdeckung neuer Medikamente stehen Wissenschaftler vor einer gewaltigen Herausforderung: Das Universum der möglichen Wirkstoffmoleküle ist riesig, aber es ist unmöglich, sie alle im Labor zu testen. Um dies zu bewältigen, nutzen Forscher Computer, um vorherzusagen, wie sich ein Molekül verhalten wird, noch bevor auch nur ein einziger Tropfen synthetisiert wurde. Dieser Prozess beruht auf einem entscheidenden ersten Schritt: der Übersetzung der komplexen, dreidimensionalen Gestalt eines Chemikals in eine Sprache, die ein Computer lesen kann. Man kann sich diese Übersetzung wie das Umwandeln eines physischen Objekts in einen Barcode vorstellen; die Art und Weise, wie dieser Barcode gestaltet ist, bestimmt, wie gut der Computer die Eigenschaften des Objekts verstehen kann, etwa ob es sich in Wasser auflöst, die Blut-Hirn-Schranke überwindet oder Schaden anrichtet. Jahrelang haben Wissenschaftler darüber debattiert, welches „Barcode“-System am besten funktioniert, wobei oft davon ausgegangen wurde, dass komplexere Computermodelle das Problem automatisch lösen würden. Die Wirksamkeit dieser Vorhersagen hängt jedoch maßgeblich von der Qualität der anfänglichen Übersetzung ab, nicht nur von der Raffinesse des Computers, der sie analysiert.

Ein Forscherteam der National Tsing Hua University in Taiwan machte sich daran, diese Debatte zu klären, indem es systematisch testete, wie verschiedene Arten der Kodierung molekularer Strukturen die Vorhersagegenauigkeit beeinflussen. Sie konzentrierten sich auf zwei unterschiedliche Arten von Computerarchitekturen: ein Standard-Neuronales Netz, das wie ein einfacher, geschichteter Entscheidungsträger funktioniert, und ein fortschrittlicheres Transformer-basiertes Modell, einen Typ künstlicher Intelligenz, der ursprünglich entwickelt wurde, um menschliche Sprache zu verstehen und in der Lage ist, die Bedeutung verschiedener Teile eines Satzes gleichzeitig abzuwägen. Die Forscher speisten beide Modelle mit einer Vielzahl molekularer „Barcodes“, darunter traditionelle topologische Fingerabdrücke, die atomare Verbindungen abbilden, substanzbasierte Codes, die spezifische chemische Gruppen identifizieren, sowie stringbasierte Repräsentationen, die Moleküle wie Text behandeln. Diese Systeme wurden auf sieben bekannten Datensätzen trainiert, die vielfältige Aufgaben abdecken, von der Vorhersage von Toxizität und Mutagenität bis hin zur Abschätzung, wie gut ein Medikament die Blut-Hirn-Schranke durchdringt.

Die Ergebnisse boten einen klaren, praktischen Leitfaden für das Fachgebiet. Entgegen der Annahme, dass das komplexere Transformer-Modell das einfachere neuronale Netz konsistent übertreffen würde, zeigten die Studien, dass das Standardmodell bei den meisten Aufgaben oft eine gleiche oder sogar etwas bessere Genauigkeit erreichte. Tatsächlich erwies sich die Wahl der Methode zur molekularen Kodierung als weita]{er] entscheidender als die Wahl des Computermodells selbst. Beispielsweise lieferte bei der Aufgabe, vorherzusagen, ob ein Molekül toxisch wäre, ein spezifischer Typ von Fingerabdruck namens MACCS die besten Ergebnisse für das einfache Modell, während ein anderer Fingerabdruck namens FCFP am besten für das komplexe Modell funktionierte. Dies deutet darauf hin, dass es keinen einzelnen „perfekten“ Code für alle chemischen Probleme gibt; der beste Ansatz hängt vollständig von der spezifischen Eigenschaft ab, die vorhergesagt werden soll. Die Forscher validierten ihre Ergebnisse auch an externen Datensätzen und bestätigten, dass ihre Modelle robust blieben, wenn sie mit neuen, unbekannten Daten konfrontiert wurden, wobei die durchschnittlichen Genauigkeitswerte bei mehreren biologischen Klassifizierungsaufgaben konsistent über 0,9 lagen.

Jenseits der reinen Leistungsfähigkeit befasste sich die Studie mit einer großen Hürde der künstlichen Intelligenz: der Interpretierbarkeit. Oft agieren leistungsstarke KI-Modelle als „Black Boxes“, die eine Antwort liefern, ohne zu erklären, warum. Die Forscher demonstrierten, dass das Transformer-Modell, obwohl es nicht immer das genaueste ist, ein einziges Fenster in sein eigenes Denken bietet. Durch die Analyse der internen „Attention“-Gewichte des Modells – die angeben, auf welche Teile des Inputs der Computer am stärksten fokussiert hat – konnten sie die spezifischen chemischen Substrukturen identifizieren, die eine Vorhersage antreiben, ohne externe Erklärwerkzeuge zu benötigen. In einer eindrucksvollen Fallstudie, die Morphin und Heroin verglich, identifizierte das Modell korrekt, dass das Vorhandensein von Hydroxylgruppen (sauerstoffhaltige Strukturen) in Morphin dazu führt, dass es die Blut-Hirn-Schranke im Vergleich zu Heroin, dem diese Gruppen fehlen, weniger wahrscheinlich überwindet. Das Modell wies den höheren Attention-Wert auf diese Hydroxyl-Merkmale in Morphin zu, was etabliertem chemischem Wissen entspricht. Diese Fähigkeit, chemisch bedeutsame Muster hervorzuheben, legt nahe, dass diese Modelle nicht nur Ergebnisse vorhersagen, sondern auch helfen können, die strukturellen Gründe dahinter zu verstehen.

Letztendlich verschiebt diese Arbeit den Fokus vom bloßen Bau größerer, komplexerer Modelle hin zur sorgfältigen Auswahl der richtigen Werkzeuge für die jeweilige Aufgabe. Die Forscher kamen zu dem Schluss, dass fortschrittliche Architekturen wie Transformer zwar wertvolle Einblicke darin bieten, wie Moleküle interagieren, aber nicht automatisch überlegene Vorhersagen garantieren. Stattdessen besteht die effektivste Strategie darin, die spezifische Methode der molekularen Kodierung auf die Vorhersageaufgabe und die gewählte Computermodell-Architektur abzustimmen. Indem sie die Interpretierbarkeit neben der Genauigkeit priorisieren, bietet dieser Ansatz einen fundierteren Weg für die Arzneimittelentdeckung und stellt sicher, dass die Computermodelle, die zur Entwicklung lebensrettender Medikamente eingesetzt werden, nicht nur leistungsstark, sondern auch verständlich und zuverlässig sind.