Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction

Resumen Técnico: Aumento de Grafos de Conocimiento Farmacogenómicos para la Predicción de DDI Basada en GNN

Planteamiento del Problema
Los enfoques actuales de Redes Neuronales de Grafos (GNN) para la predicción de Interacciones Fármaco-Fármaco (DDI) dependen exclusivamente de estructuras moleculares codificadas como grafos derivados de SMILES. Un estudio precedente en esta serie estableció que el rendimiento de los modelos está limitado por un "Techo de Información" ($I(S, L)$), donde el contenido de información estructural de las etiquetas de entrenamiento limita la capacidad predictiva independientemente de la complejidad arquitectónica. Específicamente, cuando se evalúa en fármacos estructuralmente no vistos (división a nivel de fármaco), el rendimiento cae significamente en comparación con los puntos de referencia a nivel de par, una brecha que los refinamientos estructurales por sí solos no pueden cerrar. Este estudio investiga si la incorporación de conocimiento previo farmacogenómico —específicamente las relaciones de las enzimas del Citocromo P450 (CYP) de la base de datos PharmGKB— puede cerrar parcialmente este techo al proporcionar un contexto de la vía metabólica independiente de la estructura molecular.

Metodología
El estudio propone una arquitectura de GNN aumentada con Grafos de Conocimiento (KG) que integra características farmacogenómicas explícitas directamente en el embedding molecular.

• Extracción de Características: Se extrajeron anotaciones para cuatro isoformas de CYP clínicamente relevantes (CYP2D6, CYP3A4, CYP2C19, CYP2C9) de PharmGKB. Para cada fármaco, se construyó un vector de características binarias de 12 dimensiones, codificando los roles de sustrato, inhibidor e inductor para cada isoforma. Este vector se concatena al embedding molecular. Los fármacos no anotados reciben un vector de ceros.
• Arquitectura: El modelo extiende un protocolo de entrenamiento de dos etapas de un trabajo previo.
  • Etapa 1: Un codificador de atención cruzada aumentado por KG se entrena en el embedding molecular combinado y el vector de características de CYP. Esta etapa se optimiza independientemente para la detección de interacciones binarias y la clasificación de tipos de DDI.
  • Etapa 2: Los pesos de la Etapa 1 se congelan, y se entrena un grafo de interacción de bordes físicos (que modela la complementariedad de enlaces de hidrógeno y electrostática).
• Conjuntos de Datos y Divisiones: Los experimentos utilizaron el conjunto de datos SSI-DDI (38,337 pares) y el benchmark Tox21 (8,014 compuestos). La evaluación se realizó bajo dos estrategias de división:
  • A nivel de par (Pair-level): Asignación aleatoria de pares de fármacos (80% entrenamiento, 20% prueba).
  • A nivel de fármaco (Drug-level): El 20% de los fármacos únicos se retiene por completo, con todos los pares que involucran a estos fármacos asignados al conjunto de prueba para medir la generalización a compuestos no vistos.
• Validación: Compuestos estrictamente excluidos (ácido acetilsalicílico y warfarina) fueron omitidos de todas las divisiones de entrenamiento y evaluación para servir como casos de validación mecánica.

Contribuciones Clave

1. Pipeline de Características: Desarrollo de un pipeline que integra anotaciones de variantes clínicas, texto de guías y banderas de relación de PharmGKB en un vector de características CYP unificado de 12 dimensiones por molécula.
2. Arquitectura Aumentada: Un diseño de GNN que trata las anotaciones farmacogenómicas como características binarias explícitas concatenadas a los embeddings moleculares, preservando la interpretabilidad y la compatibilidad con las arquitecturas basadas en estructura.
3. Evaluación Empírica: Una comparación rigurosa entre los baselines de solo estructura frente a los modelos aumentados por KG bajo divisiones tanto a nivel de par como a nivel de fármaco, cuantificando la "inflación del AUC" (la brecha de rendimiento entre las divisiones) como una métrica de los límites de generalización.
4. Extensión de Toxicidad: Aplicación de la estrategia de aumento al benchmark de toxicidad multitarea Tox21 para investigar la dependencia del efecto de aumento respecto a la cobertura de anotación.

Resultados

• Clasificación de Tipo de DDI: El aumento por KG produjo mejoras sustanciales en la clasificación de tipos específicos de DDI bajo divisiones a nivel de par. La puntuación F1 promedio macro aumentó de 0.241 (baseline de solo estructura) a 0.532. Esto sugiere que los roles de CYP codifican una variación mecánica significativa relevante para los 86 tipos de interacción.
• Detección de Interacción Binaria: Las mejoras fueron marginales. El AUC a nivel de par aumentó ligeramente de 0.865 a 0.892, mientras que el AUC a nivel de fármaco cayó a 0.639. La inflación del AUC (diferencia entre las divisiones de par y de fármaco) se mantuvo alta en 0.224, comparable al baseline de 0.250, lo que indica que el Techo de Información para la existencia de la interacción binaria persiste.
• Validación Mecánica: En compuestos estrictamente excluidos, el aumento por KG mejoró significamente las probabilidades de interacción mediadas por CYP2C9 (por ejemplo, la probabilidad de Warfarina + Fluconazol aumentó de 0.033 a 0.586). Las interacciones mediadas farmacodinámicamente (ej. Warfarina + Ibuprofeno) siguieron siendo detectables mediante características estructurales por sí solas.
• Extensión Tox21: En el benchmark Tox21, el aumento por KG proporcionó una mejora modesta del AUC medio de +0.018 a pesar de la muy baja cobertura de CYP (0.7%). Esto confirma que el efecto de aumento está supeditado a la cobertura de anotación. Agregar características de dosis de ChEMBL (88% de cobertura) no mejoró el rendimiento sobre el aumento de CYP por sí solo.
• Redundancia de Bordes Físicos: A diferencia del modelo de solo estructura, añadir el refinamiento de bordes físicos (Etapa 2) al modelo aumentado por KG degradó el rendimiento (el F1-macro cayó de 0.532 a 0.258 en divisiones a nivel de par). Esto sugiere una redundancia de información entre los priors de CYP y los bordes de interacción derivados físicamente.

Significancia y Reivindicaciones
El artículo concluye que el conocimiento previo farmacogenómico mejora la discriminación de tipos específicos de DDI, pero no supera el Techo de Información fundamental que limita la detección de interacciones binarias y la generalización a fármacos no vistos. El estudio valida que la información estructural por sí sola es insuficiente para ciertas predicciones mecánicas, aunque incluso los ricos priors farmacogenómicos no pueden resolver completamente el techo cuando la información de las etiquetas carece de señal estructural.

Los hallazgos apoyan un cambio hacia un marco multimodal para trabajos futuros, argumentando que las características farmacogenómicas explícitas son preferibles a los embeddings de grafos de conocimiento latentes cuando la calidad de la anotación es heterogénea. Los autores identifican tres extensiones metodológicas específicas para estudios subsecuentes:

1. Entrenamiento Conjunto: Entrenar un único codificador de Etapa 1 para ambas tareas (binaria y multiclasificación) para evitar la degradación de la capacidad de clasificación de tipos cuando los pesos se congelan para la Etapa 2.
2. Codificación Ponderada por Evidencia: Implementar un esquema de ponderación logarítmica para diferenciar la calidad de la anotación (ej. Nivel 1A vs. Nivel 3) sin sacrificar la cobertura.
3. Comparación Directa: Comparar vectores de características explícitos contra embeddings de KG latentes (ej. TransE, RotatE) bajo condiciones de cobertura equivalentes.

El estudio enfatiza que las limitaciones observadas no se deben a la capacidad del modelo, sino al contenido de información inherente a las etiquetas de entrenamiento, reforzando la necesidad de fuentes de datos complementarias más allá de la estructura molecular.