MARS: A neurosymbolic approach for interpretable drug discovery

Resumen Técnico: MARS – Un enfoque neurosimbólico para el descubrimiento interpretable de fármacos

Declaración del Problema
El descubrimiento de fármacos (DD, por sus siglas en inglés) se basa tradicionalmente en el cribado de miles de compuestos químicos, un proceso que a menudo se acelera mediante Grafos de Conocimiento (KG). Aunque los métodos estándar basados en KG son excelentes para la predicción de enlaces (por ejemplo, la correspondencia entre fármacos e indicaciones), suelen carecer de interpretabilidad respecto al Mecanismo de Acción (MoA) de un fármaco. La deconvolución del MoA —la predicción computacional de las rutas moleculares mediante las cuales un fármaco logra su efecto— es crítica para mitigar riesgos de efectos secundarios y predecir el éxito clínico. Sin embargo, los métodos interpretables existentes suelen depender de "patrones asociativos" (por ejemplo, efectos secundarios o indicaciones compartidas) en lugar de "patrones mecanísticos" (interacciones moleculares físicas). Además, no existen directrices claras para evaluar la plausibilidad biológica de las interpretaciones de los modelos. Un desafío significativo identificado en la IA Neurosimbólica (NeSy) es el "atajo de razonamiento" (reasoning shortcut), donde los modelos alcanzan una alta precisión explotando semánticas no deseadas, como el sesgo de grado de los nodos, en lugar de adherirse a reglas lógicas específicas del dominio.

Metodología
Los autores proponen MARS (Sistema de Recuperación de MoA), un enfoque NeSy diseñado para realizar la deconvolución de MoA. La metodología consta de tres componentes principales:

1. MoA-net (Dataset): Un KG diseñado específicamente para la deconvolución de MoA. A diferencia de los KG biomédicos generales, MoA-net se centra en entidades y relaciones descubribles en entornos de laboratorio preclínicos. Comprende triples que vinculan Fármacos, Proteínas y Procesos Biológicos (BP) mediante relaciones causales (por ejemplo, regula positivamente, regula negativamente) e interacciones. El conjunto de datos incluye 300 fármacos, 9.301 proteínas y 86 BP.
2. Marco de Trabajo NeSy: MARS utiliza un agente de Aprendizaje por Refuerzo Profundo (RL) para recorrer MoA-net. El objetivo del agente es encontrar rutas que conecten un nodo de Fármaco con un nodo de BP (la relación induce).
   • Reglas basadas en metapath: El sistema emplea reglas lógicas donde el cuerpo consiste en metapaths (secuencias de relaciones) y la cabeza es la relación objetivo induce.
   • Aprendizaje de pesos dinámicos: A diferencia de enfoques anteriores (por ejemplo, PoLo) que utilizan pesos de reglas estáticos y precalculados, MARS aprende los pesos de las reglas de forma dinámica durante el entrenamiento.
3. Mecanismos de actualización de pesos: El artículo introduce dos métodos para actualizar los pesos de las reglas para que el sistema sea "consciente de los atajos" (shortcut-aware):
   • Actualizaciones ingenuas (Naive Updates): Ajusta los pesos basándose en la frecuencia de satisfacción de la regla en relación con la frecuencia esperada.
   • P2H (Probabilidad conjunta de dos saltos): Un algoritmo novedoso que aproxima la utilidad de la regla analizando la probabilidad conjunta de fragmentos de dos saltos dentro de las trayectorias exitosas del agente. Esto permite al sistema actualizar los pesos basándose en coincidencias parciales de rutas, proporcionando una medida más robusta de la importancia de la regla.
4. Estrategia de Evaluación: El sistema se evalúa en tareas de predicción de enlaces utilizando métricas estándar (Hits@k, MRR) y "métricas podadas" (calculadas solo en predicciones que satisfacen una regla lógica). El estudio testea específicamente los "atajos de razonamiento" comparando el rendimiento en el MoA-net original contra una versión permutada (MoA-net-permuted) y una versión dispersa (Mo-net-10k) para aislar los efectos del sesgo de grado de los nodos.

Resultos Clave

• Atajos de Razonamiento: Los experimentos iniciales revelaron que MARS, junto con modelos NeSy de referencia como PoLo, dependían frecuentemente de "patrones asociativos" (específicamente, aristas inversas que sugieren que los fármacos que inducen un BP común probablemente inducen otro BP) en lugar de las reglas mecanísticas previstas. Este comportamiento fue impulsado por el sesgo de grado, donde el modelo explotó la alta conectividad de ciertos nodos para maximizar las recompensas sin aprender la lógica biológica subyacente.
• Mitigación: Al aplicar la estrategia de actualización de pesos P2H y entrenar en una versión recortada del grafo (MoA-net-10k), los autores demostraron que el modelo podía volverse "consciente de los atajos". Esta mitigación redujo la dependencia del sesgo de grado y obligó al agente a utilizar las reglas lógicas basadas en el dominio.
• Rendimiento: El MARS optimizado (específicamente la variante P2H) logró un rendimiento similar al de los modelos de incrustación de KG de vanguardia y los baselines NeSy. Crucialmente, a diferencia de los baselines, MARS produjo interpretaciones alineadas con los MoA conocidos cuando se mitigaron los atajos de razonamiento.
• Interpretabilidad: El sistema generó con éxito rutas entre fármacos y BP que correspondían a vías mecanísticas conocidas (validadas contra DrugMechDB), demostando que los pesos y las trayectorias aprendidos reflejan patrones biológicamente significativos en lugar de artefactos estadísticos.

Significancia y Reivindicaciones
El artículo afirma que MARS muestra una tarea computacional novedosa: la deconvolución de MoA. Su principal significancia radica en demostrar que, si bien los modelos NeSy ofrecen una interpretabilidad mejorada, siguen siendo susceptibles a atajos de razonamiento que pueden hacer que sus "explicaciones" sean biológicamente implausibles.

Los autores enfatizan que:

1. La evaluación es contextual: La interpretabilidad debe evaluarse frente al conocimiento específico del dominio (reglas mecanísticas) y no solo mediante métricas de rendimiento estadístico.
2. Los atajos son mitigables: Mediante la identificación del sesgo de grado y el empleo de estrategias como la actualización de pesos P2H y el recorte de grafos, los modelos NeSy pueden guiarse para producir predicciones fiables y biológicamente significativas.
3. Fiabilidad para la investigación downstream: Al asegurar que las predicciones sean impulsadas por reglas de dominio en lugar de sesgos estadísticos, MARS proporciona predicciones de MoA más fiables para la investigación posterior en el descubrimiento de fármacos, ofreciendo una alternativa única basada en IA a los ensayos de laboratorio tradicionales no escalables.

El estudio concluye que, para que los enfoques NeSy sean verdaderamente dignos de confianza en aplicaciones biomédicas, deben diseñarse y evaluarse con mecanismos específicos para detectar y mitigar los atajos de razonamiento.