The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

Este artículo sostiene que los acantilados de actividad son, en gran medida, artefactos de la representación molecular y la métrica elegidas más que propiedades moleculares intrínsecas, demostrando a través de una evaluación comparativa de seis pasos en quince configuraciones que diferentes incrustaciones codifican distintos aspectos del reconocimiento molecular, definiendo así, de manera implícita, qué constituye un acantilado de actividad.

Lo esencial

La Gran Idea: No es la Montaña, es el Mapa

Imagina que eres un excursionista intentando predecir el terreno de una cordillera (el "Paisaje de Actividad"). Sabes que, a veces, dos excursionistas que están muy cerca uno del otro podrían estar a altitudes muy distintas: uno está en un pico soleado y el otro en un valle profundo y oscuro. En química, esto se llama un Acantilato de Actividad: dos moléculas que parecen casi idénticas pero tienen efectos biológicos muy diferentes.

Durante mucho tiempo, los científicos pensaron que estos acantilados eran simplemente una característica natural de las propias moléculas.

Este artículo argumenta que eso es erróneo. Los autores afirman que si ves un acantilato o una pendiente suave depende enteramente de cómo dibujes el mapa.

Si usas un mapa que mide la distancia "caminando a través de las paredes" (un método matemático específico), dos excursionistas podrían parecer estar lejos. Si usas un mapa que mide la distancia "volando en línea recta", esos mismos excursionistas podrían parecer estar justo al lado el uno del otro. El artículo demuestra que el "acantilato" no siempre está en la molécula; a veces, es una ilusión creada por la regla que elegiste para medirla.

El Experimento: El Pipeline de Detective de Seis Pasos

Para demostrar esto, los investigadores construyeron un "pipeline de detective de seis pasos" para probar 15 tipos diferentes de mapas (representaciones) y reglas (métricas) a través de tres objetivos biológicos diferentes (como diferentes tipos de cerraduras que las moléculas intentan abrir).

Esto es lo que encontraron en cada paso, traducido a analogías:

1. La Trampa de la "Distancia Cero" (Geometría)

• La Prueba: ¿Se ven las moléculas diferentes exactamente iguales en el mapa?
• El Hallazgo: Algunos mapas (como "ChemBERTa") son tan borrosos que casi todas las moléculas parecen estar paradas exactamente en el mismo lugar. Es como un mapa donde todas las ciudades están dibujadas sobre el mismo punto. Otros mapas (como los "Morgan fingerprints") son nítidos y distintos, pero tratan a los gemelos 3D (esteroisómeros) como idénticos, aunque uno sea un guante izquierdo y el otro un guante derecho.

2. La "Caza de Acantilados" (Enriquecimiento)

• La Prueba: Si observas los 100 pares de moléculas que parecen más similares, ¿cuántos de ellos son realmente acantilados?
• El Hallazgo: Aquí es donde los mapas discrepan radicalmente. En el mismo conjunto de datos, un mapa encontró 142 acantilados, mientras que otro encontró 7,903 acantilados.
• La Metáfora: Es como buscar baches en una carretera. Un mapa dice: "No hay baches aquí, solo un camino liso". Otro dice: "¡Es un campo de minas!". La carretera no cambió; el mapa sí.

3. El Chequeo de la "Pendiente" (Gradientes)

• La Prueba: ¿Qué tan repentidos son los descensos en el paisaje?
• El Hallazgo: Algunos mapas muestran un paisaje que es mayormente suave con pendientes gentiles. Otros muestran un paisaje lleno de caídas repentinas y terroríficas. Curiosamente, el objetivo "Dopamina D2" (una proteína específica) parecía tener un paisaje naturalmente más accidentado que los otros, sin importar qué mapa se utilizara.

4. La Prueba de la "Isla" (Topología)

• ** La Prueba:** ¿Los acantilados forman islas distintas o están todos amontonados en un gran bloque?
• El Hallazgo: Los buenos mapas muestran los acantilados como islas distintas, lo que ayuda a los científicos a entender por qué existe el acantilato (por ejemplo: "Ah, todo este grupo de moléculas falla debido a esta forma específica"). Los malos mapas colapsan todo en un solo bloque confuso donde no se puede distinguir nada.

5. El Juego de la "Predicción" (Aprendizaje Automático)

• La Prueba: ¿Puede una computadora aprender a predecir acantilados simplemente mirando el mapa?
• El Hallazgo: Si el mapa es borroso (como el mapa "ChemBERTa"), la computadora se confunde y adivina al azar. Si el mapa tiene una estructura clara, la computadora puede aprender los patrones. Esto confirmó que el "acantilato" es una propiedad de la geometría del mapa, no solo de la biología.

6. El Chequeo del "Mundo Real" (Estereoisómeros y Pares)

• La Prueba: Observaron dos escenarios específicos del mundo real:
  • Estereoisómeros: Moléculas que son imágenes especulares (como la mano izquierda y la derecha).
  • Pares Emparejados: Moléculas que difieren por un intercambio químico minúsculo.
• El Hallazgo:
  • Los Fingerprints (mapas de la vieja escuela) son terribles para ver imágenes especulares (creen que la mano izquierda y la derecha son la misma) pero excelentes para ver pequeños intercambios químicos.
  • Los Embeddings Aprendidos (mapas de IA) son excelentes para ver imágenes especulares pero a veces pasan por alto los pequeños intercambios.
  • Conclusión: Ningún mapa es perfecto en todo.

Las Conclusiones Principales

1. No existe el "Mejor" Mapa
El artículo concluye que no puedes simplemente elegir una "mejor" forma de medir las moléculas.

• Si quieres encontrar acantilados entre moléculas que se ven muy similares (alta similitud), los Morgan fingerprints son los mejores.
• Si necesitas diferenciar entre moléculas de mano izquierda y derecha (estereoquímica), MolFormer es el único que funciona bien.
• Si estás buscando pequeños intercambios químicos, los fingerprints MACS o RDKit son los mejores.

2. El "Acantilato" es una Elección
Cuando un científico dice: "Estas dos moléculas son un acantilato de actividad", en realidad está diciendo: "Estas dos moléculas son un acantilato de actividad según el mapa y la regla específicos que elegí". Si cambias el mapa, el acantilato puede desaparecer o aparecer de la nada.

3. La Regla de "No hay Almuerzo Gratis"
Al igual que en la economía, no hay un "almuerzo gratis" en la química. No puedes tener un mapa que sea perfecto para ver imágenes especulares, perfecto para ver pequeños intercambios y perfecto para predecir acantilados, todo al mismo tiempo. Diferentes mapas resaltan diferentes características del mundo molecular.

Resumen

Este artículo es una advertencia para los científicos: No confíes ciegamente en el mapa. La forma en que eliges visualizar y medir las moléculas cambia fundamentalmente la historia que cuentas sobre cómo funcionan. Para entender la verdadera naturaleza de un fármaco, necesitas saber a través de qué "lente" estás mirando, porque la lente misma crea los acantilados que ves.

Resumen técnico

Resumen Técnico: La Geometría de los Acantilados de Actividad

Planteamiento del Problema

Los acantilados de actividad —pares de compuestos estructuralmente similares que exhiben grandes diferencias en la potencia biológica— son ampliamente considerados como características intrínsecas de los conjuntos de datos químicos que definen los límites de la predictibilidad en las relaciones estructura-actividad (SAR). Sin embargo, la definición de un acantilato de actividad es operacional, ya que depende de dos umbrales definidos por el usuario: una brecha de potencia (típicamente $\ge$ 1 unidad logarítmica) y un corte de similitud estructural.

El problema central abordado en este trabajo es que la similitud estructural no es una propiedad intrínseca de un par de moléculas, sino una propiedad del espacio métrico en el que las moléculas están embebidas. En consecuencia, la elección de la representación molecular (embedding) y la métrica de similitud dicta fundamentalmente qué pares califican como acantilatos, cuántos existen y si son predictibles. Los autores argumentan que el campo ha convergido en los huellas dactilares de Morgan con similitud de Tanimoto como un estándar por defecto, sin caracterizar sistemáticamente cómo diferentes representaciones organizan el paisaje de actividad. Esta falta de estudio sistemático conduce a conclusiones sobre los paisajes de actividad que pueden reflejar la elección de la métrica en lugar de la biología subyacente.

Metodología

Los autores proponen un flujo de trabajo de seis pasos diseñado para probar sistemáticamente la hipótesis de que los acantilados de actividad son una convolución de la geometría de la representación y la biología del objetivo. Este flujo de trabajo sondea propiedades geométricamente distintas del paisaje de actividad, ordenadas por escala y dependencia lógica. El fallo en un paso anterior hace que los pasos subsiguientes sean ininterpretables.

El flujo de trabajo se aplicó a quince configuraciones (embedding, métrica) a través de tres conjuntos de datos de bioactividad (Proteasa principal de SARS-CoV-2, Factor Xa y Receptor de Dopamina D2), conocidos por sus desafíos de acantilatos de actividad. Las configuraciones incluyeron:

• Huellas dactilares clásicas: Morgan (radio 2, 1024 bits), RDKit topológico y claves MACCS (166 bits).
• Embeddings aprendidos: MolFormer, ChemBERTa y Chemeleon (MPNN entrenado en descriptores de Mordred).
• Métricas: Distancias de Tanimoto, Dice, Coseno, L1 y L2.

El Flujo de Trabajo de Seis Pasos

1. Geometría de Distancia de Pares: Analiza la distribución de las distancias de pares para identificar limitaciones fundamentales. Las métricas incluyen la fracción de pares de distancia cero ($p_0$), el coeficiente de variación (CV) para el rango discriminativo, el contraste relativo (RC) y la asimetría de hubness ($S_{Nk}$) para detectar problemas de fiabilidad de vecindad.
2. Enriquecimiento de Acantilatos de Actividad: Evalúa la fracción acumulada de acantilatos ($F(n)$) entre el $n\%$ de los pares más similares. Una curva más baja indica un mejor desempeño (menos acantilatos entre pares similares). El coeficiente de enriquecimiento $G$ cuantifica la magnitud de la depleción de acantilatos.
3. Distribución del Gradiente de Actividad: Calcula el Índice de Paisaje de Estructura-Actividad (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$, para todos los pares. La distribución de estos gradientes se ajusta a una función de supervivencia de Kohlrausch–Williams–Watts (KWW) para determinar el parámetro de forma $b$. $b=2$ indica un paisaje suave de cola ligera (techo de Rayleigh), mientras que $b<2$ indica colas pesadas y gradientes extremos frecuentes.
4. Homología Persistente del Subespacio de Acantilatos: Utiliza la filtración de Vietoris–Rips en las moléculas involucradas en acantilatos para rastrear componentes conectados ($H_0$). La persistencia media ($\mu_{pers}$) y la persistencia máxima ($p_{max}$) miden la separación topológica de los clústeres propensos a acantilatos.
5. Sondas Geométricas de la Estructura Representacional: Entrena clasificadores (Regresión Logística, XGBoost, redes siamesas) sobre la diferencia absoluta de embedding $|e_i - e_j|$ para predecir la existencia de un acantilato. Las estadísticas de brecha ($\Delta_{lin}$ y $\Delta_{arch}$) caracterizan la riqueza de la relación lineal vs. no lineal y de la interacción de características del espacio de embedding.
6. Benchmarking de la Verdad Química de Referencia: Valida las representaciones contra dos subpoblaciones definidas estructuralmente, independientes de la propia medida de similitud del flujo de trabajo:
   • Estereoisómeros: Pares con grafos idénticos pero diferentes configuraciones 3D.
   • Pares Moleculares Coincidentes (MMPs): Pares relacionados por una única transformación química.
   • El desempeño se clasifica mediante el coeficiente de variación (CV) de la distribución de distancia entre los pares de acantilatos dentro de estas subpoblaciones.

Resultados Clave

1. Dependencia de la Representación en el Conteo de Acantilatos

La elección de la representación altera drásticamente el número observado de acantilatos de actividad. En el conjunto de datos de SARS-CoV-2 al 90% de similitud, el número de pares de acantilatos identificados varió por un factor de 55 entre las configuraciones:

• Morgan Tanimoto: 142 pares.
• Chemeleon Cosine: 752 pares.
• RDKit Dice: 7,903 pares.
  Esto demuestra que la "propensión al acantilato" de un conjunto de datos es, en gran medida, un artefacto geométrico de la representación elegida.

2. Desempeño por Tipo de Representación

• Morgan Tanimoto: Exhibe el mayor enriquecimiento de acantilatos ($G$) y la mejor generalización entre andamios (scaffolds). Su geometría es bimodal (distribuida Beta), organizando el espacio alrededor de la identidad del andamio. Sin embargo, sufre de una ceguera estereoquímica completa ($p_{0,stereo} = 100\%$).
• MolFormer Cosine: La única configuración que demuestra una sensibilidad estereoquímica significativa (alto CV para estereoisómeros, $p_{0,stereo} = 0$). Codifica la información de los centros estereogénicos como variación direccional, lo que hace que la distancia de coseno (sensible a las diferencias angulares) sea superior a L1/L2.
• MACCS y RDKit Dice: Más sensibles a las transformaciones de pares moleculares coincidentes (MMP), logrando el CV más alto para MMPs. Codifican eficazmente los patrones a nivel de fragmentos, pero comparten la ceguera estereoquímica de otras huellas dactilares.
• ChemBERTa: Falla uniformemente en todos los criterios debido al "colapso de embedding". Produce distancias severamente concentradas (bajo CV, alto hubness), lo que resulta en un espacio geométricamente degenerado donde la mayoría de las moléculas parecen similares independientemente de su actividad.
• Chemeleon: Produce la estructura de acantilato topológico más rica (alta persistencia), pero muestra una dependencia métrica dramática; las distancias L1/L2 colapsan topológicamente en el objetivo de Dopamina D2, mientras que el Coseno retiene la estructura.

3. Rugosidad del Paisaje a Nivel de Objetivo

El análisis revela diferencias intrínsecas en los paisajes de los objetivos, independientes de la representación:

• SARS-CoV-2: El paisaje más suave (valores de $b$ más altos, acercándose al techo de Rayleigh $b=2$).
• Factor Xa: Rugosidad intermedia.
• Dopamina D2: El paisaje más rugoso. Ninguna configuración alcanzó $b=2$ en este objetivo, lo que indica que las discontinuidades estructuradas persisten independientemente del embedding. Los autores atribuyen esto a la flexibilidad conformacional de los GPCR y a la agregación de datos de ensayos heterogéneos en ChEMBL.

4. No Redundancia de los Pasos del Flujo de Trabajo

Cada paso reveló modos de fallo invisibles para los demás. Por ejemplo, RDKit mostró un alto rango discriminativo (Paso 1) pero un pobre enriquecimiento de acantilatos (Paso 2) y colas de gradiente pesadas (Paso 3). La homología persistente (Paso 4) reveló colapsos topológicos en RDKit y Chemeleon que no fueron capturados totalmente por las estadísticas de pares.

Significado y Reivindicaciones

El artículo afirma que los acantilatos de actividad no son propiedades intrínsecas de los pares de moléculas, sino propiedades emergentes del par (embedding, métrica) elegido. Los autores no proponen una única "mejor" representación; más bien, argumentan que diferentes representaciones codifican aspectos distintos y parcialmente no superpuestos del reconocimiento molecular:

• Las huellas dactilares (fingerprints) sobresalen en las transformaciones de andamiaje y fragmentos, pero fallan en la estereoquímica.
• Los embeddings aprendidos (específicamente con distancia de Coseno) sobresalen en la sensibilidad estereoquímica, pero pueden carecer de la especificidad de fragmentos de las huellas dactilares para los MMP.
• No hay "almuerzo gratis": Ninguna configuración sobresale en todos los criterios simultáneamente.

La importancia de este trabajo radica en proporcionar un marco para diagnosticar las propiedades geométricas de los paisajes de actividad. Sugiere que seleccionar una representación sin caracterizar su geometría lleva a conclusiones que reflejan la métrica en lugar de la biología. Los autores proponen pasar de un estándar universal (Morgan/Tanimoto) hacia una selección específica para cada tarea:

• Usar Morgan Tanimoto para el análisis de SAR dentro de series estructurales.
• Usar MolFormer Cosine para tareas sensibles a la estereoquímica.
• Usar MACCS/RDKit Dice para la anotación de transformaciones de MMP.
• Usar Chemeleon Cosine para la exploración topológica global.

Finalmente, el artículo sugiere que la "rugosidad" del paisaje de actividad de un objetivo (por ejemplo, la dificultad intrínseca de predecir la actividad de la Dopamina D2) puede identificarse mediante el consenso a través de múltiples representaciones, distinguiendo la complejidad biológica de los artefactos de la representación.