When Does Context Help? A Systematic Study of Target-Conditional Molecular Property Prediction

1. Planteamiento del Problema

La predicción de propiedades moleculares (como la actividad de un fármaco contra una diana proteica) enfrenta un dilema fundamental: ¿deben los modelos incorporar el contexto de la diana (identidad de la proteína, tipo de ensayo, ronda temporal) o es mejor entrenar modelos independientes para cada diana?

• El desafío: Los modelos por diana (per-target) funcionan bien cuando hay abundancia de datos, pero fallan en dianas con pocos datos (escasez de datos). Los modelos multitarea prometen transferencia de conocimiento, pero a menudo sufren de "transferencia negativa" cuando las tareas entran en conflicto.
• La brecha de conocimiento: No existe una caracterización sistemática de cuándo y por qué el condicionamiento del contexto ayuda o perjudica la predicción. Además, los benchmarks estándar (como DUD-E) presentan sesgos estructurales y fugas de datos que invalidan las métricas absolutas de rendimiento.

2. Metodología: NESTDRUG

Los autores proponen NESTDRUG, una arquitectura de aprendizaje anidado basada en FiLM (Feature-wise Linear Modulation), diseñada para condicionar las representaciones moleculares sobre la identidad de la diana y otros factores contextuales.

• Codificador Molecular (L0): Utiliza una red neuronal de paso de mensajes (MPNN) de 6 capas con actualizaciones de estado basadas en GRU para transformar los gráficos moleculares en embeddings de 512 dimensiones.
• Embeddings Jerárquicos de Contexto:
  • L1 (Identidad de la diana): Embeddings aprendibles para cada proteína (128 dim).
  • L2 (Tipo de ensayo): IC50, Ki, EC50 (64 dim).
  • L3 (Ronda temporal): Información de rondas DMTA (32 dim).
• Modulación FiLM: En lugar de simplemente concatenar el contexto, NESTDRUG utiliza FiLM para generar parámetros de escala ($\gamma$) y desplazamiento ($\beta$) a partir del contexto $c$, que modulan las activaciones del codificador molecular:
  $$h_{mod} = \gamma(c) \odot h_{mol} + \beta(c)$$
  Esto permite que el modelo adapte dinámicamente qué características moleculares son importantes según la diana (ej. amplificar características de unión a bisagra para quinasas).
• Entrenamiento: Se realiza en tres fases: preentrenamiento en ChEMBL (21.1M registros), ajuste fino (fine-tuning) con tasas de aprendizaje diferenciales (preservando el backbone, adaptando rápidamente el contexto) y actualización continua durante campañas DMTA simuladas.

3. Contribuciones Clave

1. Taxonomía Sistemática: El primer estudio exhaustivo que mapea los modos de éxito y fracaso del condicionamiento de contexto en 10 familias de proteínas diversas.
2. Validación de FiLM: Demostración de que la arquitectura de fusión es más crítica que la inclusión del contexto en sí. FiLM supera significativamente a la concatenación y al condicionamiento aditivo.
3. Auditoría de Benchmarks: Revelación de defectos graves en DUD-E, donde un simple vecino más cercano (1-NN) basado en Tanimoto alcanza un AUC de 0.991 sin aprendizaje, y el 50% de los compuestos activos se filtran desde los datos de entrenamiento.
4. Evaluación Temporal Rigurosa: Propuesta y ejecución de una división temporal (entrenamiento $\le$ 2020, prueba 2021-2024) para evaluar la generalización real a espacios químicos futuros.

4. Resultados Principales

A. El impacto de la fusión de contexto

• FiLM es superior: FiLM supera a la concatenación en 24.2 puntos porcentuales (pp) y al condicionamiento aditivo en 8.6 pp.
• Mecanismo: El componente multiplicativo ($\gamma$) permite la amplificación selectiva de características, lo cual es biológicamente más significativo que un simple desplazamiento de sesgo.

B. Cuándo el contexto ayuda (y cuándo no)

• Éxito general: 9 de 10 dianas mejoraron con embeddings específicos de la diana (mejora media de +5.7 pp, $p < 0.01$).
• Caso de escasez de datos (CYP3A4): En la diana con solo 67 compuestos activos, un Random Forest por diana colapsó a un AUC de 0.238 (peor que aleatorio), mientras que NESTDRUG con transferencia multitarea alcanzó 0.686 (una mejora de 2.9x).
• Fallo por desajuste de distribución (BACE1): En BACE1, el contexto específico dañó el rendimiento en -10.2 pp. Esto se debió a un desajuste entre los inhibidores peptidomiméticos en los datos de entrenamiento (ChEMBL) y los andamios diversos en la prueba (DUD-E).
• Adaptación Few-Shot: Intentar adaptar embeddings L1 con pocos ejemplos (10-50) empeoró el rendimiento en comparación con usar un embedding genérico (zero-shot).

C. Limitaciones de los Benchmarks y Evaluación Temporal

• DUD-E: El benchmark es engañoso debido a la facilidad de separación estructural y la fuga de datos.
• Evaluación Temporal: NESTDRUG mantuvo un rendimiento estable (0.843 AUC) en datos de 2021-2024 entrenados con datos anteriores a 2020, sin degradación, demostrando que las representaciones condicionadas al contexto generalizan a nuevos espacios químicos.

D. Simulación DMTA

En simulaciones de campañas de diseño, descubrimiento y optimización (DMTA), NESTDRUG logró un enriquecimiento de 1.60x sobre el azar, reduciendo el número de experimentos necesarios para encontrar 50 éxitos en un 32%.

5. Significado e Implicaciones

Este trabajo resuelve una ambigüedad de larga data en el descubrimiento de fármacos:

1. Guía de decisión: El condicionamiento de contexto es valioso cuando los datos por diana son escasos (decenas a cientos de compuestos) y las distribuciones de entrenamiento/prueba están alineadas. Para dianas con muchos datos (>1000 compuestos), los modelos por diana simples siguen siendo competitivos.
2. Arquitectura: FiLM es el método de fusión más eficiente, superando a las hiperredes con 3 veces menos parámetros.
3. Estándares de evaluación: El paper insta a abandonar DUD-E para comparaciones de métodos y adoptar divisiones temporales estrictas y benchmarks libres de fugas (como LIT-PCBA) para evaluar la verdadera capacidad de generalización.
4. Interpretabilidad: El análisis de atribución muestra que el contexto cambia qué átomos son importantes para la predicción, validando que el modelo aprende transformaciones biológicamente significativas específicas de la diana.

En resumen, NESTDRUG establece que el contexto es una herramienta poderosa para el descubrimiento de fármacos en escenarios de datos limitados, pero su implementación requiere una fusión arquitectónica cuidadosa (FiLM) y una evaluación rigurosa que evite los sesgos de los benchmarks actuales.