From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation

Resumen Técnico: De la Detección al Mecanismo – Redes Neuronales de Grafos con Atención Cruzada para la Predicción del Tipo de Interacción Fármaco-Fármaco

Planteamiento del Problema
El artículo aborda una distinción crítica en la farmacología computacional: la diferencia entre la detección binaria de interacciones fármaco-fármaco (DDI) (determinar si existe una interacción) y la predicción del tipo de mecanismo de DDI multiclase (determinar el mecanismo farmacológico específico, por ejemplo, farmacocinético vs. farmacodinámico). Si bien las Redes Neuronales de Grafos (GNN) han logrado alta precisión en la detección binaria en puntos de referencia como SSI-DDI, predecir el tipo de mecanismo específico sigue siendo un desafío. El estudio investiga si la atención cruzada a nivel de átomo entre moléculas que interactúan es necesaria para resolver los tipos de mecanismo o si la concatenación estándar de incrustaciones es suficiente. Además, busca identificar los límites estructurales de los modelos basados en grafos 2D para capturar mecanismos biológicos específicos.

Metodología
El estudio realiza un estudio de ablación sistemático utilizando el punto de referencia SSI-DDI de acceso público, que contiene 38.337 pares positivos de DDI a través de 86 tipos de interacción. El conjunto de datos se dividió en 80/20 (entrenamiento: 61.339 pares; prueba: 15.335 pares), con un conjunto de retención específico "de fármaco frío" de 83 pares de Ácido Acetilsalicílico (AAS) utilizado para validación farmacológica.

Tres arquitecturas GNN se compararon bajo condiciones de entrenamiento idénticas (optimizador Adam, 60 épocas, codificadores MPNN siameses idénticos que utilizan capas NNConv):

1. Concat (Línea base): Un MPNN dual siamés donde las incrustaciones moleculares promediadas globalmente se concatenan antes de la clasificación. No ocurre comunicación a nivel de átomo entre moléculas.
2. CrossAtt: Un MPNN dual que incorpora un mecanismo de atención cruzada de cuatro cabezas. Los átomos en una molécula atienden a todos los átomos en la molécula compañera antes del agrupamiento, permitiendo el intercambio de información intermolecular.
3. Ternary: Una extensión de CrossAtt que construye un grafo de interacción explícito basado en los tres pares de átomos intermoleculares con mayor similitud coseno, procesado por un tercer MPNN.

Los modelos se evaluaron en AUC binario y F1-macro multiclase (a través de 86 tipos). La validación incluyó un conjunto curado de 10 pares de AAS para predicción de mecanismo y 7 pares curados para detección binaria.

Resultados Clave

• Especificidad de la Tarea de la Atención Cruzada: La arquitectura de atención cruzada demostró una mejora masiva en la clasificación multiclase, aumentando el F1-macro en +0.186 (+45%) sobre la línea base Concat (0.596 frente a 0.410). En contraste, el rendimiento de detección binaria mejoró solo marginalmente (+0.012 AUC, +1.3%). Esto confirma que la comunicación a nivel de átomo es esencial para la clasificación del tipo de mecanismo, pero ofrece rendimientos decrecientes para la detección binaria simple.
• Fallo de la Arquitectura Ternaria: La arquitectura Ternary tuvo un rendimiento significativamente inferior, logrando un F1-macro de 0.072 y fallando al predecir correctamente cualquiera de los 10 tipos de interacción de AAS retenidos (0/10). Los autores atribuyen esto a la inestabilidad del entrenamiento causada por una dependencia circular: las aristas del grafo de interacción dependen de incrustaciones estables, pero las incrustaciones requieren aristas significativas para converger.
• Validación en Ácido Acetilsalicílico (AAS): Tanto CrossAtt como Concat lograron 10/10 predicciones correctas en los tipos de interacción de AAS retenidos, mostrando CrossAtt mayor confianza. El modelo Ternary falló completamente en este conjunto.
• Límites Estructurales: Se identificaron casos de fallo consistentes en todas las arquitecturas para sertralina (que involucra vías del transportador de serotonina) y probenecida (que involucra competencia de transportadores de aniones orgánicos renales). Estos fallos se alinean con las categorías "GAP-1" y "GAP-3" de un estudio de toxicidad complementario, indicando que los grafos estructurales 2D no pueden codificar mecanismos dependientes de vías de neurotransmisores o competencias específicas de transportadores.
• Interpretabilidad: Los pesos de atención cruzada destacaron con éxito átomos farmacológicamente relevantes (por ejemplo, el carbono carboxilo en el ibuprofeno y el anillo aromático en la warfarina), correlacionándose con sitios de unión y mecanismos conocidos.

Significado y Afirmaciones
El artículo afirma establecer un principio de diseño claro para los modelos de predicción de DDI:

1. Necesidad Arquitectónica: La atención cruzada es un componente necesario para la clasificación del tipo de mecanismo, pero en gran medida innecesaria para el cribado de interacciones binarias. Arquitecturas de concatenación más simples pueden ser suficientes para lo último, mientras que lo primero requiere comunicación explícita de átomo a átomo.
2. Validación de Límites Estructurales: El estudio proporciona evidencia cruzada de que las GNN 2D tienen límites representacionales inherentes. Los mecanismos que involucran transportadores específicos o vías de neurotransmisores (que carecen de correlatos estructurales 2D directos) no pueden predecirse independientemente de la complejidad arquitectónica.
3. Implicaciones para la Farmacovigilancia: Para la evaluación de señales de la Buena Práctica de Farmacovigilancia (GVP), los modelos basados en la estructura pueden proporcionar plausibilidad mecanicista para interacciones mediadas por características estructurales, pero no pueden reemplazar otras evidencias para interacciones mediadas por transportadores o específicas de vías.
4. Estabilidad del Entrenamiento: El fallo del modelo Ternary sugiere que los grafos de interacción explícitos requieren incrustaciones preentrenadas estables como inicialización para evitar la inestabilidad del entrenamiento, ofreciendo una nota de precaución para futuras investigaciones de DDI basadas en grafos.

El estudio concluye que, si bien la atención cruzada desbloquea la capacidad de predecir cómo interactúan los fármacos, los límites fundamentales de las representaciones moleculares 2D siguen siendo una barrera para mecanismos biológicos específicos, un hallazgo reforzado por el fallo consistente de todas las arquitecturas probadas en sertralina y probenecida.