LGBM-BBB: A Web-Server for Blood-Brain Barrier Permeability Prediction using Winsorized Feature Engineering and Mathew Correlation Coefficient Threshold Optimisation

Resumen Técnico: Servidor Web LGBM-BBB para la Predicción de la Permeabilidad de la Barrera Hematoencefálica

Planteamiento del Problema
El desarrollo de fármacos dirigidos al sistema nervioso central (SNC) se ve significativamente obstaculizado por la barrera hematoencefálica (BHE), que bloquea aproximadamente el 98% de las terapéuticas de moléculas pequeñas. Aunque existen métodos experimentales (in vivo e in vitro) para evaluar la permeabilidad, estos consumen mucho tiempo, tienen un bajo rendimiento y son éticamente complejos. Los modelos in silico existentes suelen sufrir limitaciones como el uso de SMOTE (que puede introducir ruido), la dependencia de representaciones dispersas de alta dimensionalidad (por ejemplo, descriptores de vocabulario codificados mediante one-hot encoding) o enfoques basados en grafos computacionalmente costosos. Además, estudios previos carecieron de comparaciones exhaustivas frente a frente utilizando datos estandarizados y herramientas de despliegue práctico para investigadores experimentales.

Metodología
El estudio utilizó el conjunto de datos B3DB, que comprende 7,807 compuestos con clasificaciones binarias de permeabilidad validadas experimentalmente. Los autores implementaron un flujo de trabajo riguroso que involucra curación de datos, ingeniería de características y optimización del modelo:

1. Preprocesamiento y Curación de Datos:

   • Los compuestos fueron filtrados a un rango de peso molecular de 150–800 Daltons, resultando en 7,298 compuestos.
   • Para abordar la heterogeneidad de etiquetado en 50 fuentes de datos distintas, los compuestos se categorizaron en cuatro grupos (A–D) según la consistencia de los datos y el reporte de umbrales, estandarizando la clasificación utilizando un corte de logBB de -1 cuando fue aplicable.
   • Winsorización: Para manejar los valores atípicos sin eliminar datos, se aplicaron los umbrales de los percentiles 1 y 99. Esto suavizó los valores extremos (particularmente en descriptores de lipofilia como SLogP) preservando al mismo tiempo el tamaño de la muestra y la distribución central.

2. Ingeniería y Selección de Características:

   • Cálculo de Descriptores: Se generaron 1,613 descriptores iniciales (1D, 2D y 3D) utilizando Mordred y RDKit, cubriendo propiedades constitutivas, topológicas y geométricas.
   • Filtrado: Se eliminaron las características con >5% de valores faltantes; los huecos restantes se completaron mediante imputación de la mediana estratificada por clase. Se descartaron las características casi constantes (varianza < 0.01).
   • Selección: Un proceso de filtrado de dos etapas redujo el conjunto de características a 59 descriptores no redundantes:
     • Correlación de Distancia: Se retuvieron las características con una correlación > 0.25 con la variable objetivo.
     • Correlación de Spearman: Se eliminaron las características multicolineales (ρ > 0.85), conservando la característica con la asociación más fuerte hacia el objetivo.

3. Entrenamiento y Evaluación del Modelo:

   • Se compararon seis algoritmos: Random Forest, XGBoost, LightGBM (LGBM), CatBoost, Regresión Logística y Clasificador de Vectores de Soporte (SVC).
   • Los datos se dividieron en 80% para entrenamiento y 20% para prueba mediante muestreo estratificado, con validación cruzada de 10 pliegues para la evaluación de la estabilidad.
   • Optimización del Umbral: En lugar del umbral predeterminado de 0.5, el límite de decisión se optimizó evaluando 100 valores para maximizar el Coeficiente de Correlación de Matthews (MCC) en el conjunto de prueba.

4. Despliegue Web:

   • El modelo óptimo se desplegó como un servidor web utilizando Python Flask (backend) y React.js (frontend), alojado en la infraestructura de la nube Render.

Resultos Clave

• Rendimiento del Modelo: Los métodos de gradient boosting superaron a los modelos lineales (Regresión Logística, SVC). LightGBM (LGBM) logró el mejor equilibrio entre rendimiento y velocidad computacional, alcanzando un 90.1% de precisión y un 0.953 de ROC-AUC.
• Comparación de Métricas: Los modelos de boosting mostraron una ganancia significativa en MCC (aproximadamente un 21% superior a los modelos lineales), lo que indica una capacidad superior para manejar el desequilibrio de clases y las interacciones no lineales complejas.
• Optimización del Umbral: La optimización del umbral para el MCC produjo solo ganancias estadísticas marginales (por ejemplo, el MCC de LGBM aumentó de 77.76% a 78.43%), lo que sugiere que el límite de decisión natural del modelo ya estaba bien separado.
• Importancia de las Características: El análisis SHAP identificó el Área de Superficie Polar Topológica (TopoPSA) como el predictor dominante, seguido por el área de superficie electrotopológica y el recuento de compuestos ácidos. Un área de superficie polar alta (>90 Ų) se asoció fuertmente con la no permeabilidad.
• Análisis Basado en Reglas: Los compuestos que pasaron tanto los filtros de Lipinski como los de Ghose mostraron una tasa de permeabilidad del 74%, en comparación con el 32% de aquellos que fallaron en ambos. Sin embargo, el filtrado basado en reglas por sí solo logró solo un ~70% de precisión, lo que subraya la necesidad del aprendizaje automático para una mayor precisión.
• Comparación con la Literatura: El modelo LGBM logró un rendimiento comparable o superior a estudios previos que utilizaron el mismo conjunto de datos B3DB (por ejemplo, Jia et al. y Nguyen et al.), pero sin la carga computacional de los descriptores basados en grafos o el potencial ruido de SMOTE.

Contribuciones Clave

1. Ingeniería de Características Robusta: La implementación de la winsorización para manejar valores atípicos y un riguroso proceso de selección de características basado en la correlación de distancia para reducir la dimensionalidad sin perder información crítica.
2. Benchmarking y Optimización: Una comparación sistemática de seis algoritmos con optimización explícita del umbral para MCC, demostrando que los métodos de árboles de ensamble son superiores para esta tarea específica.
3. Herramienta Accesible: El desarrollo y lanzamiento público de LGBM-BBB, un servidor web de acceso gratuito que permite a los investigadores ingresar cadenas SMILES o archivos CSV para un cribado virtual rápido sin requerir recursos computacionales locales o experiencia técnica.
4. Interpretabilidad: La provisión de información basada en SHAP y una puntuación de confianza basada en la proximidad al umbral de MCC, ayudando a los químicos a comprender la fiabilidad de la predicción.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona una herramienta validada, computacionalmente eficiente y accesible para abordar el cuello de botella crítico en el descubrimiento de neuroterapéuticos. Al evitar la complejidad de SMOTE o los descriptores basados en grafos, el modelo mantiene un alto poder predictivo (90.1% de precisión) siendo más rápido y fácil de desplegar. El estudio enfatiza que, si bien los filtros basados en reglas (Lipinski/Ghose) ofrecen un heurístico inicial útil, el aprendizaje automático es necesario para capturar las relaciones multidimensionales que gobiernan la permeabilidad de la BHE. El servidor web se posiciona como un recurso práctico para permitir el cribado rápido de grandes bibliotecas químicas, redirigiendo potencialmente los recursos hacia candidatos prometedores antes de la costosa optimización de líderes. Los autores señalan modestamente que el modelo está diseñado para moléculas de tipo fármaco y que podría no generalizarse a péptidos o conjugados anticuerpo-fármaco, y que las diferencias fisiológicas de especies específicas en la BHE siguen siendo un desafío no abordado totalmente por el conjunto de datos agregado B3DB.