Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

Enunciado del Problema
Los modelos de aprendizaje automático para grafos moleculares requieren cada vez más explicabilidad para ganar la confianza de los químicos experimentales. Un requisito crítico, aunque a menudo pasado por alto, para la significancia química es que las explicaciones deben ser consistentes entre representaciones de grafos químicamente equivalentes. Actualmente, diferentes dibujos de la misma molécula (por ejemplo, variaciones en el orden de los átomos, tautómeros, desconexiones de metales o distribuciones de carga) pueden inducir representaciones moleculares diferentes en los métodos de caracterización estándar. Esto conduce a predicciones inconsistentes y, más críticamente, a atribuciones divergentes (explicaciones) para la misma entidad química. Los métodos existentes, como los invariantes estándar de Daylight, no garantizan que estructuras químicamente idénticas produzcan vectores de características idénticos, socavando así la fiabilidad de las explicaciones del modelo.

Metodología: INVARIANTES INCHIFICADOS
Los autores introducen los INVARIANTES INCHIFICADOS, una clase de características de nodos, aristas y grafos diseñadas para ser invariantes bajo transformaciones que preservan la identidad química. La metodología aprovecha el Identificador Químico Internacional (InChI), un estándar desarrollado por la IUPAC, para definir la relación de equivalencia. La construcción imita el Manual Técnico de InChI mediante un flujo de trabajo secuencial de 10 pasos aplicado al grafo molecular de entrada:

1. Preparación: Cálculo de la carga molecular total, conversión de enlaces aromáticos a formas de Kekulé (simples/dobles) y marcado de los átomos de hidrógeno como átomos "fantasma" (eliminandolos del grafo mientras se almacena su conteo e información isotópica en los atributos de los átomos pesados unidos).
2. Desconexión: Separación de átomos metálicos aumentando su carga y disminuyendo la carga de los átomos unidos, eliminando efectivamente los enlaces metal-ligando y la estereoquímica asociada.
3. Normalización: Aplicación de transformaciones basadas en SMARTS para redistribuir cargas formales y órdenes de enlace (por ejemplo, manejando zwitteriones y formas separadas por carga).
4. Desprotonación: Eliminación de protones de heteroátomos con carga positiva y patrones de cadena específicos para neutralizar cargas.
5. Neutralización: Intento de neutralizar fragmentos moleculares ajustando cargas e hidrógenos en heteroátomos específicos.
6. Reducción de Valencia: Eliminación de hidrógenos en exceso de átomos no metálicos para reducir la valencia a niveles estándar.
7. Detección de Cargas Móviles: Identificación de cadenas de enlaces alternantes que conectan cargas positivas en átomos de nitrógeno, etiquetándolas como "aromáticas" para manejar la resonancia.
8. Detección de Tautomería: Detección iterativa de patrones tautoméricos (por ejemplo, desplazamientos ceto-enol), eliminación de hidrógenos móviles y etiquetado de enlaces como "aromáticos" para capturar la equivalencia entre tautómeros.
9. Isótopos de Hidrógeno: Manejo de protiones, deuteriones y tritones móviles eliminando las etiquetas fantasma cuando corresponda y registrando los conteos isotópicos.
10. Estereoquímica: Asignación de etiquetas R/S y E/Z basadas en las reglas de Cahn–Ingold–Prelog (CIP), omitiendo etiquetas para casos que InChI no trata como estereogénicos.

Los INVARIANTES INCHIFICADOS finales consisten en:

• Características de nodos: Número atómico, isótopo, grado, pertenencia a anillo, conteos de hidrógenos (totales e isotópicos específicos) y códigos CIP.
• Características de aristas: Códigos CIP de enlace.
• Características de grafo: Carga molecular total.

Los átomos fantasma se conservan en la estructura del grafo con características de valor cero para preservar la indexación original de los átomos con fines de visualización, pero se ignoran durante la extracción de características.

Contribuciones Clave

1. Caracterización Novel: Introducción de un conjunto de características que impone invarianza a las transformaciones de identidad química, sirviendo como reemplazo directo para las características estándar de grafos moleculares.
2. Validación a Gran Escala: Demostración en 1 millón de grafos moleculares de PubChem de que los INVARIANTES INCHIFICADOS producen representaciones idénticas para grafos químicamente equivalentes (mismo InChI) en el 99.62% de los casos, en comparación con solo el 0.35% para los invariantes estándar de Daylight.
3. Preservación del Rendimiento: Validación en tareas de referencia de MoleculeNet que muestra que el rendimiento predictivo se preserva mientras se mejora significativamente la consistencia entre representaciones de grafos alternativas.
4. Consistencia de Atribución: Análisis cuantitativo que muestra que las explicaciones generadas con características estándar varían sustancialmente entre grafos químicamente equivalentes, mientras que los INVARIANTES INCHIFICADOS imponen una consistencia casi perfecta por construcción.
5. Lanzamiento de Código Abierto: Provisión de software para integrar estos invariantes en pipelines existentes de aprendizaje automático.

Resultados

• Consistencia de Representación: En un conjunto de datos de 1 millón de cadenas SMILES, los INVARIANTES INCHIFICADOS lograron una tasa de coincidencia del 99.62% para grafos que comparten la misma clave InChI, mientras que los invariantes estándar de Daylight coincidieron solo en el 0.35%. Por el contrario, cuando las claves InChI diferían, ambos métodos produjeron huellas dactilares diferentes en más del 99.98% de los casos.
• Rendimiento Predictivo: En los conjuntos de prueba originales de MoleculeNet, los modelos que utilizan INVARIANTES INCHIFICADOS se desempeñaron de manera comparable a los que utilizan características de referencia. Sin embargo, en conjuntos de datos de representación alternativa (grafos de la misma molécula generados mediante conversión SMILES $\to$ InChI $\to$ SMILES), los modelos que utilizan INVARIANTES INCHIFICADOS mostraron un rendimiento significativamente mejor (por ejemplo, menor RMSE en ESOL, FreeSolv y Lipo; mayor ROC-AUC en HIV, BACE, BBBP) que los modelos de referencia. Esto indica que los modelos de referencia son sensibles a la representación del grafo, mientras que los INVARIANTES INCHIFICADOS reducen esta sensibilidad.
• Consistencia de Explicación: Utilizando Gradientes Integrados en modelos entrenados en ClinTox e HIV, los autores midieron la correlación de Kendall's tau entre atribuciones para pares de SMILES con el mismo InChI.
  • Con características de referencia, el acuerdo varió ampliamente (por ejemplo, mediana de Kendall's tau de 0.78 para NeuralFP en HIV, cayendo a 0.35 para AttentiveFP).
  • Con INVARIANTES INCHIFICADOS, el acuerdo fue casi perfecto (mediana de Kendall's tau de 1.00 en todas las configuraciones).
• Sobrecarga Computacional: El costo de preprocesamiento es mayor que el de los invariantes estándar de Daylight (el tiempo de ejecución mediano aumenta de ~0.02 ms a ~0.29 ms para moléculas pequeñas), pero sigue siendo despreciable en relación con los tiempos de entrenamiento e inferencia del modelo.

Significancia y Afirmaciones
El artículo postula que la consistencia es un prerequisito necesario (aunque no suficiente) para que las explicaciones tengan significancia química. Al alinear las representaciones de grafos moleculares con el estándar internacional de identidad química (InChI), los INVARIANTES INCHIFICADOS aseguran que dos dibujos de la misma molécula produzcan las mismas predicciones y atribuciones. Los autores enfatizan que este enfoque no reemplaza a InChI para la indexación de bases de datos, sino que introduce el mismo estándar químico en el aprendizaje automático basado en grafos como características utilizables. El trabajo aborda una brecha en la literatura donde los métodos de explicación (por ejemplo, LIME, SHAP, GNNExplainer) se evalúan típicamente en entradas fijas sin considerar si diferentes entradas válidas para la misma molécula producen explicaciones consistentes. Los autores concluyen que los INVARIANTES INCHIFICADOS proporcionan un método práctico, agnóstico a la arquitectura, para mejorar la fiabilidad del aprendizaje automático molecular sin requerir cambios en los modelos aguas abajo o en los algoritmos de explicación.