Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter

Resumen Técnico: Las pérdidas auxiliares conscientes de la física mejoran la generalización fuera de la distribución de un filtro de sintetizabilidad basado en GNN

Planteamiento del Problema
Los modelos generativos en el descubrimiento de fármacos (por ejemplo, VAEs, GFlowNets, modelos de difusión) proponen frecuentemente estructuras moleculares novedosas que se sitúan muy fuera de la distribución de los datos utilizados para los filtros de sintetizabilidad posteriores. Los filtros estándar existentes (SAScore, SCScore, RAscore y DeepSA) son modelos puramente estadísticos entrenados en corpora etiquetados de moléculas "fabricables" frente a "difíciles". En consecuencia, estos filtros se degradan precisamente cuando más se necesitan: al evaluar estructuras novedosas y fuera de la distribución (OOD) generadas por modelos creativos. Los autores postulan que las líneas base puramente estadísticas carecen del sesgo inductivo necesario para generalizar a espacios químicos novedosos, particularmente al pasar de moléculas similares a fármacos a productos naturales complejos.

Metodología
Los autores proponen integrar descriptores físicos cerrados y económicos como señales de supervisión auxiliares en una arquitectura base de Red Neuronal de Grafos (GNN) estándar, en lugar de utilizar Redes Neuronales Informadas por la Física (PINNs). Argumentan que las PINNs no son adecuadas para la sintetizabilidad porque el dominio es discreto (grafos moleculares) en lugar de continuo, y no existe una ecuación diferencial que gobierne la sintetizabilidad (la cual depende de reactivos, cinética y el juicio humano).

• Arquitectura Base: Una Red de Isomorfismo de Grafos (GINE) de 4 capas con características de arista. El modelo genera un logit de clasificación para la sintetizabilidad (fácil/difícil) y un valor escalar auxiliar.
• Pérdidas Auxiliares: Se añaden dos pérdidas específicas conscientes de la física al objetivo de entrenamiento:
  1. Complejidad Topológica: Una pérdida de regresión de Huber que supervisa la cabeza auxiliar con el índice de Bertz (una métrica de complejidad de forma cerrada computada mediante RDKit). Esto obliga al codificador a aprender una complejidad estructural calibrada.
  2. Energía de Tensión (Strain Energy): Una pérdida de penalización suave que supervisa el modelo utilizando la energía del campo de fuerza MM94. Esta penaliza las predicciones de "fácil" con alta confianza en moléculas con alta energía de tensión, actuando como una restricción de estilo Lagrangiano asimétrico.
• Objetivo de Entrenamiento: La pérdida total es una suma ponderada de la Entropía Cruzada Binaria (BCE) para la tarea de clasificación principal y las pérdidas auxiliares ($L = BCE + \lambda_c L_{complejidad} + \lambda_s L_{tensión}$). Crucialmente, las cabezas auxiliares se utilizan únicamente durante el entrenamiento; la inferencia depende exclusivamente de la cabeza de clasificación, lo que garantiza que no haya un aumento en el coste de despliegue.
• Protocolo Experimental:
  • Datos: Un corpus de 65,177 moléculas que combina HIV y Tox21 (similares a fármacos) y COCONUT (productos naturales). Las etiquetas se derivan de umbrales de SAScore (<4 fácil, >5 difícil).
  • División OOD: Un protocolo de desplazamiento de covariante de fuente única: entrenamiento en HIV+Tox21, prueba exclusivamente en productos naturales COCONUT.
  • Evaluación: Un experimento de múltiples ejecuciones con 5 semillas y de intervalos de confianza de bootstrap emparejados para evaluar la significación estadística, evitando los problemas de la evaluación de una sola semilla.

Contribuciones Clave

1. Formulación de Pérdidas Auxiliares Conscientes de la Física: Una implementación limpia de dos descriptores físicos de forma cerrada y computacionalmente económicos (índice de Bertz y tensión MM94) como regularizadores de una GNN estándar.
2. Evaluación OOD Basada en la Fuente: Un protocolo riguroso que aisla la transferencia de corpus para los filtros de sintetizabilidad, probando específicamente la brecha entre moléculas similares a fármacos y productos naturales.
3. Evidencia Empírica de Mejora OOD: Una demostración de múltiples semillas y basada en intervalos de confianza que muestra mejoras en la OOD estadísticamente significativas sobre una línea base puramente estadística.
4. Relato de Cautela Metodológica: Los autores documentan un modo de fallo de "semilla única" donde se generó una narrativa no monótona y engañosa, que solo fue revertida mediante la evaluación de múltiples semillas, resaltando la necesidad de una validación estadística robusta en la química asistida por IA.

Resultados

• Rendimiento Intra-distribución (In-Distribution): Todas las variantes (línea base, +complejidad, +tensión, +ambos) funcionan de forma casi idéntica en los datos intra-distribución (AUC de Test $\approx$ 0.996). Los autores señalan que esto es esperado, ya que la GNN está esencialmente memorizando una función de etiquetado de forma cerrada (SAScore).
• Rendimiento Fuera de la Distribución (Out-of-Distribution): En el conjunto de prueba COCONUT, las tres variantes conscientes de la física superan significativamente a la línea base (Media OOD AUC 0.9774):
  • +Complejidad: $\Delta = +0.0060$ (95% CI [+0.0023, +0.0102])
  • +Tensión: $\Delta = +0.0032$ (95% CI [+0.0008, +0.0052])
  • +Ambos: $\Delta = +0.0066$ (95% CI [+0.0038, +0.0093])
  • La combinación de ambas pérdidas ofrece el mejor rendimiento. Cada intervalo de confianza excluye el cero, confirmando la significación estadística.
• Comparación: Aunque el propio SAScore logra un AUC perfecto (1.000) en el conjunto de prueba, esto es circular ya que las etiquetas se derivan de SAScore. Los evaluadores aprendidos independientes como SCScore funcionan deficientemente (AUC 0.656) en este split, resaltando la falta de una verdad fundamental compartida y el desafío específico de los productos naturales.

Significancia y Reivindicaciones
El artículo afirma explícitamente resultados modestos pero estadísticamente significativos. La principal significancia no es que el modelo alcance una precisión absoluta de estado del arte, sino que el sesgo inductivo fundamentado en la física actúa como un regularizador efectivo para la generalización OOD en un entorno donde los modelos puramente estadísticos fallan.

Los autores enfatizan que:

1. El efecto es visible solo bajo la evaluación OOD; las métricas intra-distribución son indistinguibles.
2. El enfoque mantiene costes de inferencia idénticos a la línea base, lo que lo convierte en una mejora de "caída directa" (drop-in).
3. El paradigma de "la física como supervisión, no como residuo de PINN" es una estrategia viable y generalizable para dominios discretos y combinatorios donde las asunciones de campos continuos no se sostienen.
4. El estudio sirve como una advertencia metodológica contra la dependencia de evaluaciones de semilla única en los procesos científicos impulsados por IA, que pueden producir narrativas falsas y no monótonas.