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

El artículo presenta KANEL, un flujo de trabajo de aprendizaje por conjuntos que combina redes de Kolmogorov-Arnold (KAN) con otros algoritmos de machine learning y representaciones moleculares complementarias para mejorar la detección temprana de compuestos activos en el cribado virtual de alto rendimiento.

Lo esencial

¡Claro que sí! Imagina que eres un detective químico con una misión imposible: tienes que encontrar una aguja en un pajar, pero ese pajar no es de paja, sino de 78 mil millones de moléculas (como las que hay en el espacio "REAL" de Enamine). Tu objetivo es encontrar las pocas moléculas que realmente funcionan como medicinas (las "agujas") antes de gastar una fortuna en pruebas de laboratorio.

Aquí te explico cómo funciona el nuevo método KANEL que presentan en este artículo, usando analogías sencillas:

1. El Problema: No busques la aguja, busca el montón de agujas

Antes, los científicos usaban reglas generales para ver qué tan bien funcionaba su "detective" (modelo de inteligencia artificial). Decían: "¡Mira, mi detective acertó el 90% de las veces en total!".
Pero en la vida real, los laboratorios no pueden probar millones de moléculas. Solo pueden probar las primeras 128 que les recomiende el detective (porque caben en una placa de prueba estándar).

• La analogía: Si tu detective te dice que hay 1000 agujas en el pajar, pero te entrega un montón donde las primeras 128 son todas paja, ¡es un desastre! Aunque haya 1000 agujas más abajo, no te sirven.
• La solución del papel: KANEL no se preocupa por acertar "en general". Se enfoca obsesivamente en acertar en los primeros 128. Si tu modelo te da 50 agujas en las primeras 128 posiciones, ¡es un éxito rotundo!

2. La Solución: El "Equipo de Sueños" (Ensemble)

En lugar de confiar en un solo detective (un solo modelo de IA), KANEL crea un equipo de expertos.

• Los miembros del equipo:
  • XGBoost y Random Forest: Son los detectives veteranos, muy rápidos y probados.
  • MLP: Un detective con una mente muy compleja.
  • KAN (Redes de Kolmogorov-Arnold): ¡Esta es la novedad! Imagina a KAN como un detective que no solo te dice "es una aguja", sino que te explica por qué. Es como si el detective te mostrara el dibujo de la aguja y te dijera: "Es una aguja porque tiene esta forma curva y este brillo". Es transparente y fácil de entender.

3. La Estrategia: No todos miran lo mismo

Cada miembro del equipo mira las moléculas de una forma diferente:

• Uno usa huellas dactilares moleculares (Morgan fingerprints): Mira la estructura básica como si fuera un código de barras.
• Otro usa descriptores químicos (LillyMol/RDKit): Mira las propiedades físicas, como el peso o la carga eléctrica.

El truco de KANEL:
En lugar de mezclar todas las pistas en un solo informe gigante (lo cual a veces confunde al detective), KANEL entrena a un experto en cada tipo de pista por separado. Luego, un director de orquesta (un algoritmo llamado Optuna) escucha a todos y decide: "Este experto en huellas dactilares tiene mucha razón hoy, así que le daremos más peso en la decisión final".

4. Los Resultados: ¡El equipo gana siempre!

Cuando probaron este método en 5 bases de datos reales de laboratorio:

• El equipo (KANEL) encontró entre un 9% y un 40% más de "agujas" en las primeras 128 posiciones que el mejor detective individual.
• Es como si tuvieras un equipo de búsqueda que encuentra 40 agujas donde el mejor detective solitario solo encontraba 30. ¡Eso es mucho dinero y tiempo ahorrado en el laboratorio!

5. ¿Es real o es un truco? (Pruebas de seguridad)

Para asegurarse de que no estaban adivinando por suerte, hicieron una prueba llamada "Y-randomization".

• La analogía: Imagina que tomas el libro de respuestas del detective y barajas las respuestas al azar (diciendo que lo que era una medicina es veneno y viceversa).
• El resultado: Cuando hicieron esto, el rendimiento del equipo se desplomó. Esto confirma que el equipo realmente aprendió las reglas de la química y no estaba adivinando.

6. El Futuro: Un nuevo miembro para el equipo

También probaron un tipo de detective llamado Red Neuronal de Grafos (GNN), que mira las moléculas como si fueran mapas de conexiones. Aunque por ahora es un poco más lento y costoso de entrenar, funcionó muy bien. En el futuro, KANEL planea incluir a este nuevo detective en su equipo para hacerlo aún más potente.

En resumen

KANEL es una nueva forma de usar la inteligencia artificial para descubrir medicamentos. En lugar de usar un solo modelo "genial", crea un equipo diverso donde cada experto mira las moléculas de una forma distinta y un director inteligente decide quién tiene la razón en cada momento.

El beneficio: Gracias a esto, los científicos pueden encontrar las mejores moléculas candidatas mucho más rápido, ahorrando millones de dólares y años de trabajo, y todo esto con modelos que, gracias a la tecnología KAN, pueden explicarnos por qué tomaron esa decisión. ¡Es como tener un equipo de detectives que no solo encuentra el crimen, sino que te explica la lógica detrás de cada pista!

Resumen técnico

Resumen Técnico: KANEL para el Enriecimiento Temprano de Éxitos en Screening Virtual

1. El Problema

El campo del descubrimiento de fármacos enfrenta un desafío crítico debido a la expansión masiva de librerías químicas virtuales (por ejemplo, Enamine REAL SPACE con más de 78 mil millones de moléculas). Los métodos tradicionales como el docking molecular son computacionalmente inviables para estas escalas, lo que ha impulsado el uso de métodos de aprendizaje automático (ML) más eficientes.

Sin embargo, surge un problema fundamental en la evaluación de estos modelos:

• Inadecuación de métricas globales: Métricas tradicionales como el AUC (Área bajo la curva ROC) o la Precisión Equilibrada evalúan el rendimiento promedio en toda la librería, pero no reflejan la realidad experimental.
• Necesidad de enriquecimiento temprano: En la práctica, solo una fracción muy pequeña de los compuestos clasificados (la parte superior de la lista) se puede sintetizar y probar experimentalmente. Por lo tanto, el objetivo real no es clasificar bien toda la librería, sino maximizar la probabilidad de encontrar "hits" (compuestos activos) en las primeras posiciones de la lista.
• Desequilibrio de clases: Los conjuntos de datos de screening de alto rendimiento (HTS) suelen estar altamente desequilibrados (pocos activos, muchos inactivos), lo que hace que los modelos optimizados para métricas globales fallen en la tarea de priorización temprana.

2. Metodología

Los autores presentan KANEL, un flujo de trabajo de aprendizaje por conjuntos (ensemble learning) diseñado específicamente para optimizar el enriquecimiento temprano de hits.

• Enfoque de Métricas: En lugar de optimizar para el AUC, el modelo se entrena y evalúa utilizando PPV@N (Valor Predictivo Positivo para los top N), específicamente PPV@128. Esta métrica se alinea con los protocolos experimentales estándar (placas de 384 pocillos donde se prueban 128 compuestos en triplicado).
• Arquitectura del Modelo (Ensemble):
  • Combina múltiples familias de modelos: XGBoost, Random Forest (RF), Perceptrón Multicapa (MLP) y Kolmogorov-Arnold Networks (KANs) (variantes FasterKAN y ReluKAN).
  • Representaciones Moleculares: Se utilizan tres tipos de descriptores complementarios:
    1. Descriptores moleculares LillyMol.
    2. Descriptores derivados de RDKit.
    3. Huellas dactilares (fingerprints) Morgan.
  • Estrategia de Fusión: En lugar de concatenar todas las características en un solo modelo, se entrenan modelos especializados en cada conjunto de características y luego se combinan sus predicciones mediante un ensemble ponderado optimizado con Optuna.
• Protocolo de Validación:
  • Se utilizaron 5 conjuntos de datos públicos de PubChem BioAssay (AIDs: 485314, 485341, 504466, 624202, 651820).
  • División de datos: 80% entrenamiento / 20% prueba, con 5 repeticiones de muestreo estratificado.
  • Optimización de hiperparámetros mediante Optuna (50 ensayos) con validación cruzada de 5 pliegues, optimizando el PPV@512 en el conjunto de validación interno.
  • Validación de robustez mediante pruebas de Y-randomization (corrupción de etiquetas) para descartar correlaciones espurias.

3. Contribuciones Clave

1. KANEL como Flujo de Trabajo Validado: Demostración de que los ensembles ponderados optimizados superan consistentemente a los mejores modelos individuales en escenarios de enriquecimiento temprano.
2. Integración de KANs: Introducción de las Redes de Kolmogorov-Arnold (KANs) en el modelado molecular. Aunque no siempre son el modelo individual más potente, aportan diversidad al ensemble y ofrecen potencial de interpretabilidad (funciones de respuesta univariadas aprendidas).
3. Estrategia de Representación: Evidencia de que los fingerprints Morgan superan significativamente a los descriptores LillyMol, y que la fusión a nivel de predicción (ensemble de modelos especializados) es superior a la concatenación de características en un solo modelo.
4. Enfoque en Métricas Accionables: Reafirmación de que PPV@N es la métrica correcta para la toma de decisiones en química médica, superando al AUC en este contexto específico.

4. Resultados Principales

• Rendimiento Superior: En los 5 conjuntos de datos probados, el ensemble ponderado optimizado con Optuna superó al mejor modelo individual en PPV@128.
  • Mejoras absolutas: De 0.06 a 0.12.
  • Mejoras relativas: De un 9% a un 40%.
  • Ejemplo destacado: En el AID 624202, el PPV@128 mejoró de 0.36 (modelo único) a 0.48 (ensemble). En el AID 485341 (el más desequilibrado), la mejora relativa fue del 40% (de 0.15 a 0.21).
• Comparación de Representaciones:
  • Los modelos con Morgan fingerprints (2048 bits) obtuvieron un PPV@128 de 0.81, superando ampliamente a los descriptores LillyMol (0.45).
  • La combinación de modelos especializados (ensemble) alcanzó un PPV@128 de 0.88 en el AID 504466, superando tanto al modelo único (0.79) como al modelo XGBoost entrenado con características concatenadas (0.83).
• Validación de Robustez:
  • Las pruebas de Y-randomization mostraron una degradación drástica del rendimiento (ej. caída de PPV@128 de 0.82 a 0.32 en modelos Morgan) al corromper el 50% de las etiquetas, confirmando que el modelo aprende relaciones estructura-actividad reales y no correlaciones espurias.
• Estudio Preliminar con GNN: Un modelo de red neuronal gráfica (GNN) mostró un rendimiento competitivo (PPV@128 = 0.80), sugiriendo su futura integración como componente del ensemble.

5. Significado e Implicaciones

El estudio posiciona a KANEL como un flujo de trabajo confiable y eficiente para la triaje de éxitos en el descubrimiento de fármacos impulsado por datos.

• Impacto Práctico: Al optimizar específicamente para las primeras posiciones de la lista (top 128), el método reduce significativamente los costos y el tiempo experimental al aumentar la probabilidad de que los compuestos seleccionados para síntesis y prueba sean realmente activos.
• Interpretabilidad Futura: Aunque el estudio se centró en el rendimiento predictivo, la inclusión de KANs abre la puerta a análisis de interpretabilidad más profundos, vinculando las funciones aprendidas con factores químicamente significativos.
• Dirección Futura: Los autores planean extender la validación a conjuntos de datos adicionales, incorporar evaluaciones basadas en andamios (scaffold-based splits) para probar la generalización, integrar modelos GNN y cuantificar formalmente la interpretabilidad.

En conclusión, KANEL demuestra que la combinación de diversidad de modelos (incluyendo KANs), diversidad de representaciones moleculares y una optimización dirigida a métricas de enriquecimiento temprano es la estrategia óptima para el screening virtual de alto rendimiento en la era de las librerías químicas masivas.