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

Cet article soutient que les falaises d'activité sont largement des artefacts de la représentation moléculaire et de la métrique choisies plutôt que des propriétés moléculaires intrinsèques, démontrant à travers une évaluation de référence en six étapes sur quinze configurations que différents plongements encodent des aspects distincts de la reconnaissance moléculaire, définissant ainsi implicitement ce qui constitue une falaise d'activité.

L'essentiel

L'idée centrale : Ce n'est pas la montagne, c'est la carte

Imaginez que vous êtes un randonneur essayant de prédire le terrain d'une chaîne de montagnes (le « Paysage d'Activité »). Vous savez que parfois, deux randonneurs debout très proches l'un de l'autre peuvent se trouver à des altitudes radicalement différentes — l'un est sur un sommet ensoleillé, l'autre dans une vallée profonde et sombre. En chimie, on appelle cela un Écart d'Activité (Activity Cliff) : deux molécules qui se ressemblent presque parfaitement mais qui ont des effets biologiques très différents.

Pendant longtemps, les scientifiques pensaient que ces écarts étaient simplement une caractéristique naturelle des molécules elles-mêmes.

Ce papier soutient que c'est faux. Les auteurs affirment que le fait de voir un précipice ou une pente douce dépend entièrement de la manière dont vous dessinez la carte.

Si vous utilisez une carte qui mesure la distance en « traversant les murs » (une méthode mathématique spécifique), deux randonneurs pourraient sembler éloignés. Si vous utilisez une carte qui mesure la distance en « volant en ligne droite », ces mêmes randonneurs pourraient sembler être juste à côté l'un de l'autre. Le papier prouve que le « précipice » n'est pas toujours dans la molécule ; parfois, c'est une illusion créée par la règle que vous avez choisie pour mesurer.

L'expérience : Le pipeline de détective en six étapes

Pour prouver cela, les chercheurs ont construit un « pipeline de détective en six étapes » pour tester 15 types de cartes (représentations) et de règles (métriques) à travers trois cibles biologiques différentes (comme différents types de serrures que les molécules tentent d'ouvrir).

Voici ce qu'ils ont trouvé à chaque étape, traduit en analogies :

1. Le piège de la « Distance Zéro » (Géométrie)

• Le Test : Est-ce que différentes molécules semblent exactement identiques sur la carte ?
• Le Résultat : Certaines cartes (comme « ChemBERTa ») sont si floues que presque chaque molécule semble se tenir exactement au même endroit. C'est comme une carte où toutes les villes seraient dessinées sur le même point. D'autres cartes (comme les « empreintes de Morgan ») sont nettes et distinctes, mais elles traitent les jumeaux 3D (stéréoisomères) comme identiques, même si l'un est un gant gauche et l'autre un gant droit.

2. La chasse aux écarts (Enrichissement)

• Le Test : Si vous regardez les 100 paires de molécules les plus similaires, combien d'entre elles sont réellement des écarts ?
• Le Résultat : C'est ici que les cartes divergent radicalement. Sur un même ensemble de données, une carte a trouvé 142 écarts, tandis qu'une autre en a trouvé 7 903.
• La Métaphore : C'est comme chercher des nids-de-poule sur une route. Une carte dit : « Il n'y a pas de nids-de-poule ici, juste une route lisse. » Une autre dit : « C'est un champ de mines ! » La route n'a pas changé ; c'est la carte qui a changé.

3. Le contrôle de la « Pente » (Gradients)

• Le Test : À quel point les chutes sont-elles soudaines dans le paysage ?
• Le Résultat : Certaines cartes montrent un paysage principalement composé de pentes douces et régulières. D'autres montrent un paysage remplé de chutes soudaines et terrifiantes. Curieusement, la cible « Dopamine D2 » (une protéine spécifique) semblait avoir un paysage naturellement plus accidenté que les autres, quelle que soit la carte utilisée.

4. Le test de l'« Île » (Topologie)

• Le Test : Les écarts forment-ils des îles distinctes, ou sont-ils tous entassés dans un seul gros bloc ?
• Le Résultat : Les bonnes cartes montrent les écarts comme des îles distinctes, ce qui aide les scientifiques à comprendre pourquoi l'écart existe (ex : « Oh, tout ce groupe de molécules échoue à cause de cette forme spécifique »). Les mauvaises cartes compressent tout en un seul bloc confus où l'on ne peut rien distinguer.

5. Le jeu de la « Prédiction » (Apprentissage automatique)

• Le Test : Un ordinateur peut-il apprendre à prédire les écarts simplement en regardant la carte ?
• Le Résultat : Si la carte est floue (comme la carte « ChemBERTa »), l'ordinateur est confus et devine au hasard. Si la carte possède une structure claire, l'ordinateur peut apprendre les modèles. Cela a confirmé que l'« écart » est une propriété de la géométrie de la carte, et non de la biologie elle-même.

6. Le test du « Monde Réel » (Stéréoisomères et Paires)

• Le Test : Ils ont examiné deux scénarios spécifiques du monde réel :
  • Stéréoisomères : Molécules qui sont des images miroirs (comme la main gauche et la main droite).
  • Paires appariées : Molécules qui diffèrent par un seul petit changement chimique.
• Le Résultat :
  • Les empreintes (Fingerprints) (cartes de la vieille école) sont terribles pour voir les images miroirs (elles pensent que la main gauche et la main droite sont les mêmes) mais excellentes pour voir les petits changements chimiques.
  • Les plongements appris (Learned Embeddings) (cartes d'IA) sont excellentes pour voir les images miroirs mais manquent parfois les petits changements.
  • Conclusion : Aucune carte n'est parfaite pour tout.

Les principales conclusions

1. Il n'existe pas de « Meilleure » Carte
Le papier conclut que vous ne pouvez pas simplement choisir une seule « meilleure » façon de mesurer les molécules.

• Si vous voulez trouver des écarts entre des molécules qui se ressemblent beaucoup (haute similitude), les empreintes de Morgan sont les meilleures.
• Si vous devez faire la différence entre des molécules gauches et droites (stéréochimie), MolFormer est la seule qui fonctionne bien.
• Si vous cherchez des petits changements chimiques, les empreintes MACCS ou RDKit sont les meilleures.

2. L'Écart est un Choix
Lorsqu'un scientifique dit : « Ces deux molécules sont un écart d'activité », il dit en réalité : « Ces deux molécules sont un écart d'activité selon la carte et la règle spécifiques que j'ai choisies ». Si vous changez la carte, l'écart peut disparaître ou apparaître de nulle part.

3. La règle du « Pas de repas gratuit »
Tout comme en économie, il n'y a pas de « repas gratuit » en chimie. Vous ne pouvez pas avoir une carte qui est parfaite pour voir les images miroirs, parfaite pour voir les petits changements et parfaite pour prédire les écarts, tout cela en même temps. Différentes cartes mettent en évidence différents aspects du monde moléculaire.

Résumé

Ce papier est un avertissement aux scientifiques : Ne faites pas confiance aveuglément à la carte. La façon dont vous choisissez de visualiser et de mesurer les molécules change fondamentalement l'histoire que vous racontez sur leur fonctionnement. Pour comprendre la véritable nature d'un médicament, vous devez savoir à travers quelle « lentille » vous regardez, car la lentille elle-même crée les précipices que vous voyez.

Résumé technique

Résumé technique : La géométrie des falaises d'activité

Énoncé du problème

Les falaises d'activité — des paires de composés structurellement similaires présentant de grandes différences de puissance biologique — sont largement considérées comme des caractéristiques intrinsèques des ensembles de données chimiques qui définissent les limites de la prédictibilité des relations structure-activité (SAR). Cependant, la définition d'une falaise d'activité est opérationnelle, reposant sur deux seuils définis par l'utilisateur : un écart de puissance (typiquement $\ge$ 1 log unité) et un seuil de similitude structurelle.

Le problème central abordé dans ce travail est que la similitude structurelle n'est pas une propriété intrinsèque d'une paire de molécules, mais une propriété de l'espace métrique dans lequel les molécules sont plongées. Par conséquent, le choix de la représentation moléculaire (plongement) et de la métrique de similitude dicte fondamentalement quelles paires sont qualifiées de falaises, combien elles existent, et si elles sont prédictibles. Les auteurs soutiennent que le domaine s'est figé sur les empreintes Morgan avec la similitude de Tanimoto comme défaut sans caractériser systématiquement comment différentes représentations organisent le paysage d'activité. Ce manque d'étude systématique conduit à des conclusions sur les paysages d'activité qui peuvent refléter le choix de la métrique plutôt que la biologie sous-jacente.

Méthodologie

Les auteurs proposent un pipeline d'analyse en six étapes conçu pour tester systématiquement l'hypothèse selon laquelle les falaises d'activité sont une convolution de la géométrie de la représentation et de la biologie de la cible. Ce pipeline sonde des propriétés géométriques distinctes du paysage d'activité, ordonnées par échelle et dépendance logique. Un échec à une étape précoce rend les étapes suivantes ininterprétables.

Le pipeline a été appliqué à quinze configurations (plongement, métrique) à travers trois ensembles de données de bioactivité (Protéase principale du SARS-CoV-2, Facteur Xa et Récepteur Dopamine D2), connus pour leurs défis liés aux falaises d'activité. Les configurations comprenaient :

• Empreintes classiques : Morgan (rayon 2, 1024 bits), RDKit topologique, et clés MACCS (166 bits).
• Plongements appris : MolFormer, ChemBERTa, et Chemeleon (MPNN entraîné sur les descripteurs Mordred).
• Métriques : Distances de Tanimoto, Dice, Cosine, L1, et L2.

Le pipeline en six étapes

1. Géométrie de la distance par paire : Analyse la distribution des distances par paire pour identifier les limitations fondamentales. Les métriques incluent la fraction de paires de distance nulle ($p_0$), le coefficient de variation (CV) pour la plage discriminante, le contraste relatif (RC), et l'asymétrie de l'hubness ($S_{Nk}$) pour détecter les problèmes de fiabilité du voisinage.
2. Enrichissement en falaises d'activité : Évalue la fraction cumulative de falaises ($F(n)$) parmi les $n\%$ de paires les plus similaires. Une courbe plus basse indique une meilleure performance (moins de falaises parmi les paires similaires). Le coefficient d'enrichissement $G$ quantifie l'ampleur de l'appauvrissement des falaises.
3. Distribution du gradient d'activité : Calcule l'indice de paysage structure-activité (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$, pour toutes les paires. La distribution de ces gradients est ajustée à une fonction de survie de Kohlrausch–Williams–Watts (KWW) pour déterminer le paramètre de forme $b$. $b=2$ indique un paysage lisse à queue légère (plafond de Rayleigh), tandis que $b<2$ indique des queues lourdes et des gradients extrêmes fréquents.
4. Homologie persistante de l'espace des falaises : Utilise la filtration de Vietoris–Rips sur les molécules impliquées dans les falaises pour suivre les composantes connexes ($H_0$). La persistance moyenne ($\mu_{pers}$) et la persistance maximale ($p_{max}$) mesurent la séparation topologique des clusters propices aux falaises.
5. Sondes géométriques de la structure de la représentation : Entraîne des classifieurs (Régression Logistique, XGBoost, réseaux Siamois) sur la différence absolue de plongement $|e_i - e_j|$ pour prédire l'existence d'une falaise. Les statistiques d'écart ($\Delta_{lin}$ et $\Delta_{arch}$) caractérisent la richesse des interactions de caractéristiques et la distinction linéaire vs non linéaire de l'espace de plongement.
6. Étalonnage par la vérité terrain chimique : Valide les représentations par rapport à deux sous-populations définies structurellement, indépendantes de la propre mesure de similitude du pipeline :
   • Stéréoisomères : Paires ayant des graphes identiques mais des configurations 3D différentes.
   • Paires Moléculaires Appariées (MMP) : Paires liées par une transformation chimique unique.
   • La performance est classée par le coefficient de variation (CV) de la distribution de distance parmi les falaises au sein de ces sous-populations.

Résultats clés

1. Dépendance de la représentation vis-à-vis du nombre de falaises

Le choix de la représentation modifie radicalement le nombre de falaises d'activité observées. Sur l'ensemble de données SARS-CoV-2 à 90 % de similitude, le nombre de paires de falaises identifiées variait d'un facteur de 55 selon les configurations :

• Morgan Tanimoto : 142 paires.
• Chemeleon Cosine : 752 paires.
• RDKit Dice : 7 903 paires.
  Cela démontre que la « caractère de falaise » (cliffiness) d'un ensemble de données est largement un artefact géométrique de la représentation choisie.

2. Performance par type de représentation

• Morgan Tanimoto : Présente le plus fort enrichissement de falaises ($G$) et la meilleure généralisation inter-échafaudages (cross-scaffold). Sa géométrie est bimodale (distribuée selon une loi Beta), organisant l'espace autour de l'identité des échafaudages. Cependant, elle souffre d'une cécité stéréochimique totale ($p_{0,stereo} = 100\%$).
• MolFormer Cosine : La seule configuration démontrant une sensibilité stéréochimique significative (CV élevé pour les stéréoisomères, $p_{0,stereo} = 0$). Elle encode l'information des centres stéréogènes comme une variation directionnelle, rendant la distance cosine (sensible aux différences angulaires) supérieure à L1/L2.
• MACCS et RDKit Dice : Les plus sensibles aux transformations de paires moléculaires appariées (MMP), atteignant le CV le plus élevé pour les MMP. Elles encodent efficacement les motifs au niveau des fragments mais partagent la cécité stéréochimique des autres empreintes.
• ChemBERTa : Échoue uniformément sur tous les critères en raison d'un « effondrement de l'embedding ». Elle produit des distances sévèrement concentrées (faible CV, hubness élevée), résultant en un espace géométriquement dégénéré où la plupart des molécules semblent similaires, quelle que soit l'activité.
• Chemeleon : Produit la structure de falaise topologique la plus riche (haute persistance) mais montre une dépendance métrique dramatique ; les distances L1/L2 font s'effondrer la topologie sur la cible Dopamine D2, tandis que Cosine conserve la structure.

3. Rugosité du paysage au niveau de la cible

L'analyse révèle des différences intrinsèques des paysages de cibles, indépendamment de la représentation :

• SARS-CoV-2 : Le paysage le plus lisse (valeurs $b$ les plus élevées, approchant le plafond de Rayleigh $b=2$).
• Facteur Xa : Rugosité intermédiaire.
• Dopamine D2 : Le paysage le plus rugueux. Aucune configuration n'a atteint $b=2$ sur cette cible, indiquant que des discontinuités structurées persistent quel que soit l'embedding. Les auteurs attribuent cela à la flexibilité conformationnelle des RCPG et à l'agrégation de données d'essais hétérogènes dans ChEMBL.

4. Non-redondance des étapes du pipeline

Chaque étape a révélé des modes de défaillance invisibles pour les autres. Par exemple, RDKit a montré une plage discriminante élevée (Étape 1) mais un faible enrichissement de falaises (Étape 2) et des queues de gradient lourdes (Étape 3). L'homologie persistante (Étape 4) a révélé des effondrements topologiques dans RDKit et Chemeleon qui n'étaient pas pleinement capturés par les statistiques par paire.

Signification et affirmations

L'article affirme que les falaises d'activité ne sont pas des propriétés intrinsèques des paires de molécules, mais des propriétés émergentes du couple (plongement, métrique) choisi. Les auteurs ne proposent pas une représentation unique « optimale » ; ils soutiennent plutôt que différentes représentations encodent différents aspects, partiellement non superposables, de la reconnaissance moléculaire :

• Les empreintes (fingerprints) excellent pour les transformations d'échafaudages et de fragments mais échouent pour la stéréochimie.
• Les plongements appris (spécifiquement avec la distance Cosine) excellent pour la sensibilité stéréochimique mais peuvent manquer de la spécificité de fragment des empreintes pour les MMP.
• Pas de « solution miracle » (No Free Lunch) : Aucune configuration n'excelle simultanément sur tous les critères.

La signification de ce travail réside dans la fourniture d'un cadre pour diagnostiquer les propriétés géométriques des paysages d'activité. Il suggère que sélectionner une représentation sans caractériser sa géométrie conduit à des conclusions qui reflètent la métrique plutôt que la biologie. Les auteurs proposent de passer d'un défaut universel (Morgan/Tanimoto) vers une sélection spécifique à la tâche :

• Utiliser Morgan Tanimoto pour l'analyse de la SAR au sein de séries structurelles.
• Utiliser MolFormer Cosine pour les tâches sensibles à la stéréochimie.
• Utiliser MACCS/RDKit Dice pour l'annotation des transformations MMP.
• Utiliser Chemeleon Cosine pour l'exploration topologique globale.

Enfin, l'article suggère que la « rugosité » du paysage d'activité d'une cible (par exemple, la difficulté intrinsèque de prédire l'activité de la Dopamine D2) peut être identifiée par un consensus à travers plusieurs représentations, distinguant la complexité biologique des artefacts de représentation.