A Hybrid Grey Wolf Optimizer and Differential Evolution Wrapper for Descriptor Selection in QSAR Modelling

Resumen Técnico: Un optimizador de lobo gris híbrido y un envoltorio de evolución diferencial para la selección de descriptores en el modelado QSAR

Planteamiento del problema
El modelado de la Relación Cuantitativa Estructura-Actividad (QSAR) sufre frecuentemente de la "maldición de la dimensionalidad", donde los espacios de descriptores moleculares de alta dimensión que contienen variables redundantes, irrelevantes o con ruido degradan la precisión predictiva, inflan la varianza y oscurecen la interpretación mecanística. Si bien la selección de descriptores es un prerrequisito para modelos robustos, la naturaleza combinatoria de la tarea ($2^n$ subconjuntos) hace que la búsqueda exhaustiva sea computacionalmente prohibitiva. Los enfoques metaheurísticos existentes, como el Optimizador de Lobo Gris (GWO), a menudo sufren de convergencia prematura y atrapamiento en óptimos locales al navegar por paisajes multimodales de alta dimensión. Además, la aplicabilidad de las metaheurísticas híbridas a los espacios de descriptores químicos —que poseen estructuras únicas de variables fisicoquímicas y de huellas dactilares (fingerprints) mixtas— sigue siendo poco explorada.

Metodología
El estudio propone una estrategia de selección de descriptores basada en un envoltorio (wrapper) que hibrida el Optimizador de Lobo Gris (GWO) con la Evolución Diferencial (DE). Los componentes centrales de la metodología incluyen:

• Mecanismo de búsqueda híbrido: El algoritmo integra la jerarquía de liderazgo de explotación del GWO (guiada por lobos alfa, beta y delta) con los operadores de mutación y cruce de la DE. En cada iteración, se calcula una estimación guiada por GWO y se genera un vector mutante de DE. Estos se combinan mediante un cruce binomial para formar un vector de prueba, lo que permite al algoritmo equilibrar la convergencia rápida con la preservación de la diversidad de la población.
• Mapeo binario: Dado que el GWO y la DE operan en espacios continuos mientras que la selección de descriptores requiere decisiones binarias (incluir/excluir), se emplea una función de transferencia en forma de V ($T(p) = |\tanh(p)|$) para mapear las coordenadas continuas a probabilidades de selección. Esta función depende de la magnitud de la coordenada en lugar de su signo, evitando un sesgo sistemático hacia la inclusión o exclusión.
• Función de aptitud (Fitness): Un problema biobjetivo se escala mediante una agregación ponderada: $f(x) = \alpha \cdot \text{RMSE}_{cv}(x) + \beta \cdot (|x|/D)$. Los pesos se establecen en $\alpha = 0.85$ (precisión predictiva) y $\beta = 0.15$ (compacidad del subconjunto). La aptitud se evalúa utilizando un aprendiz de Regresión Ridge con validación cruzada de 3 pliegues (3-fold cross-validation) en el conjunto de entrenamiento para prevenir el sobreajuste.
• Protocolo experimental: El método fue evaluado en dos referentes públicos: un conjunto de datos de solubilidad acuosa (1,128 moléculas, 710 descriptores) y un conjunto de datos de energía libre de hidratación (642 moléculas, 680 descriptores). Todas las configuraciones (línea base de descriptores completos, GWO simple, DE simple y GWO–DE híbrido) se ejecutaron sobre cinco semillas aleatorias independientes. El rendimiento se midió mediante $R^2$, RMSE y MAE en conjuntos de prueba mantenidos aparte, y la significancia estadística se evaluó mediante pruebas t de muestras pareadas y pruebas de Wilcoxon de rangos con signo.

Contribuciones clave

1. Formulación algorítmica: El estudio formula un envoltorio GWO–DE híbrido específico adaptado para la selección de descriptores QSAR, integrando los operadores de DE dentro del ciclo de actualización de GWO en lugar de aplicarlos en fases alternas.
2. Evaluación contingente: En lugar de afirmar una superioridad universal, el estudio enmarca explícitamente la selección de descriptores como una intervención contingente. Evalúa el método a través de dos conjuntos de datos contrastantes para determinar bajo qué condiciones (tamaño de muestra, redundancia de descriptores) la selección es beneficiosa.
3. Benchmarking riguroso: El híbrido se compara con sus algoritmos constituyentes y una línea base de descriptores completos bajo idénticas condiciones experimentales, con un reporte transparente de la significancia estadística y la variabilidad de ejecución a ejecución.
4. Análisis de estabilidad: Un análisis de estabilidad de descriptores identifica descriptores centrales reproducibles seleccionados a través de múltiples ejecuciones, distinguiendo señales predictivas consistentes de artefactos estocásticos.

Resultados

• Conjunto de datos de Solubilidad Acuosa (Alta Redundancia, Gran Muestra):
  • Todos los métodos de envoltorio superaron significativamente a la línea base de descriptores completos ($R^2 = 0.771$).
  • El GWO–DE híbrido alcanzó el $R^2$ medio más alto del conjunto de prueba de 0.849 (RMSE 0.843) mientras retenía 330 de 710 descriptores (una reducción del 54%).
  • El GWO y la DE simples alcanzaron un $R^2 = 0.841$.
  • La mejor ejecución única del híbrido alcanzó un $R^2 = 0.870$.
  • Nota estadística: A pesar de la superioridad del promedio del híbrido, las pruebas estadísticas pareadas (5 semillas) indicaron que las diferencias entre los envoltorios no fueron estadísticamente significativas ($p = 0.27$ vs. GWO; $p = 0.46$ vs. DE).
• Conjunto de datos de Energía Libre de Hidratación (Muestra más pequeña):
  • La línea base de descriptores completos regularizada ya generalizaba bien ($R^2 = 0.830$).
  • Ningún envoltorio mejoró esta línea base. El híbrido alcanzó $R^2 = 0.793$, el GWO $0.785$ y la DE $0.804$.
  • El déficit del híbrido respecto a la línea base fue estadísticamente discernible ($p = 0.03$).
  • Las desviaciones estándar de ejecución a ejecución fueron significativamente mayores en este conjunto de datos (2–5 veces las del conjunto de solubilidad), atribuidas al tamaño de la partición de prueba más pequeño.
• Convergencia y Costo: El híbrido exhibió un descenso temprano rápido seguido de una mejora en la etapa tardía, superando al GWO simple (que se estancó) y a la DE (que convergió lentamente). Sin embargo, el híbrido incurrió en aproximadamente el doble del costo computacional por iteración debido al criterio de aceptación codicioso que requiere la evaluación de la aptitud tanto para el vector de prueba como para el incumbente.

Significancia y Reivindicaciones
El artículo concluye que el beneficio de la selección de descriptores es contingente a las características del conjunto de datos en lugar de ser un predeterminado universal.

• Condición para el éxito: La selección de descriptores produce beneficios claros cuando el espacio de descriptores es redundante en relación con la señal disponible y el tamaño de la muestra es grande (como se vio en el conjunto de datos de solubilidad). En estos casos, la poda elimina el ruido y mejora la generalización.
• Condición para el fracaso: Cuando el tamaño de la muestra es menor y un modelo de descriptores completos regularizado ya generaliza bien (como en el caso de la hidratación), la poda adicional descarta la varianza útil y no mejora, o incluso degrada, el rendimiento.
• Rol del Híbrido: Donde la selección es beneficiosa, el GWO–DE híbrido ofrece el mejor rendimiento promedio, aunque su margen sobre los operadores constitutivos es modesto y no estadísticamente significativo a la escala de cinco ejecuciones. El valor principal del híbrido reside en su capacidad para equilibrar la exploración y la explotación para encontrar subconjuntos de alta calidad en espacios redundantes.
• Implicación Práctica: La selección de descriptores debe tratarse como una intervención condicional guiada por las propiedades del conjunto de datos (tamaño de muestra y redundancia) en lugar de un paso de preprocesamiento rutinario. Cuando tiene éxito, proporciona beneficios secundarios que incluyen la reducción de costos de despliegue, un menor riesgo de correlación fortuita y una interpretación mecanística más clara.

Los autores declaran explícitamente que el tamaño de muestra modesto (cinco semillas) limita el poder estadístico para detectar diferencias entre los envoltorios y que el trabajo futuro debería expandir el tamaño del conjunto y probar con aprendices no lineales para validar aún más estos hallazgos.