Ark-ADMET: endpoint-specific selection of molecular representations and hyperparameters for gradient-boosted ADMET models under the Therapeutics Data Commons benchmark protocol

Le développement d'un nouveau médicament est un processus d'élimination qui commence bien avant qu'une pilule n'atteigne l'étagère d'une pharmacie. Les scientifiques doivent prédire comment un composé chimique se comportera à l'intérieur du corps humain, en posant une série de questions critiques : sera-t-il absorbé par l'intestin ? Voyagera-t-il jusqu'au cerveau ? Le foie le décomposera-t-il trop rapidement, ou empoisonnera-t-il le cœur ? Ces propriétés, connues collectivement sous le nom d'ADMET, déterminent si une molécule prometteuse devient un médicament salvateur ou une expérience ratée. Comme tester ces traits dans des systèmes vivants est lent et coûteux, les chercheurs s'appuient sur des modèles informatiques pour filtrer des milliers de candidats. Ces modèles agissent comme un filtre, utilisant des motifs mathématiques pour deviner le destin d'une molécule en fonction de sa forme et de sa composition chimique. Cependant, les processus biologiques qu'ils tentent de prédire sont radicalement différents les uns des autres ; une règle qui aide à prédire la toxicité hépatique peut s'avérer inutile pour prédire la capacité d'un médicament à se dissoudre dans l'eau.

Pendant des années, l'approche standard dans ce domaine a consisté à appliquer un modèle informatique unique et uniforme à chaque question. Les chercheurs prenaient un type de représentation mathématique d'une molécule et un algorithme spécifique, puis exécutaient cette même configuration sur les vingt-deux tests biologiques différents disponibles dans une base de données publique majeure. Cette méthode du « taille unique pour tous » suppose que la meilleure façon de décrire une molécule pour une tâche est aussi la meilleure pour toutes les autres tâches. Une nouvelle étude remet en question cette hypothèse. Les chercheurs derrière ce travail, connus sous le nom d'Ark-ADMET, soutiennent que puisque ces questions biologiques sont si distinctes, les outils utilisés pour y répondre devraient être tout aussi variés. Au lieu de forcer une recette unique sur vingt-deux problèmes différents, ils ont cherché à voir si la personnalisation de l'approche pour chaque question spécifique pouvait produire de meilleurs résultats sans inventer de technologie entièrement nouvelle.

L'équipe a travaillé au sein du Therapeutics Data Commons, une vaste collection publique de données utilisée pour évaluer les performances de différents modèles informatiques. Ils se sont concentrés sur vingt-deux points de terminaison spécifiques, allant de la façon dont un médicament circule dans le sang à la question de savoir s'il provoque des dommages au foie. Plutôt que de construire un nouveau réseau neuronal complexe à partir de zéro, ils ont pris un moteur éprouvé et fiable appelé modèle d'arbre de décision boosté par gradient (gradient-boosted tree) et l'ont associé à un processus de sélection flexible. Ils ont rassemblé une boîte à outils de différentes manières de décrire une molécule. Cette boîte à outils comprenait des empreintes chimiques standard qui cartographient l'arrangement des atomes, des mesures tridimensionnelles de la forme de la molécule et des plongements (embeddings) informatiques avancés qui capturent des motifs structurels complexes. Ils ont également inclus un réseau neuronal secondaire plus simple qui pouvait être mélangé au modèle principal.

Le cœur de leur travail était un protocole de sélection strict conçu pour éviter les biais. Dans de nombreuses études, les chercheurs pourraient ajuster leur modèle après avoir vu les résultats finaux des tests pour améliorer les chiffres, mais cela introduit un biais. Pour éviter cela, l'équipe a soigneusement divisé ses données. Ils ont utilisé une partie spécifique des données, appelée ensemble de validation interne, pour décider quels outils conserver pour chacune des vingt-deux questions. Si une nouvelle combinaison de descriptions moléculaires ou un léger ajustement des paramètres du modèle améliorait le score sur cet ensemble interne, ils la conservaient. Si ce n'était pas le cas, ils restaient sur la version précédente. Crucialement, ils n'ont jamais regardé les données de test finales et cachées avant que chaque décision ne soit verrouillée. Cela garantissait que toute amélioration observée était réelle et non le fruit d'une chance passagère.

Les résultats ont montré que la personnalisation fonctionne. Lorsqu'ils ont comparé leurs vingt-deux modèles uniques et sur mesure contre un instantané figé du classement public, leur approche a égalé ou battu les meilleurs scores existants sur sept des vingt et un points de comparaison classables. Sur trois de ces questions, leurs scores étaient strictement meilleurs que tout résultat précédemment enregistré. Par exemple, ils ont amélioré la prédiction de la vitesse à laquelle un médicament est éliminé par les microsomes hépatiques et de la manière dont il se lie aux protéines sanguines. L'étude a révélé qu'il n'existe pas de « meilleur » ensemble de caractéristiques unique qui fonctionne pour tout. Pour certaines questions, l'ajout d'une description de la forme tridimensionnelle aidait ; pour d'autres, cela aggravait les choses. Pour certaines, un type spécifique de plongement informatique basé sur les graphes était essentiel ; pour d'autres, il était totalement ignoré. La seule caractéristique qui est restée dans chaque modèle est un bloc central d'empreintes chimiques standard, mais tout le reste a été choisi spécifiquement pour la tâche en question.

Il est intéressant de noter que l'étude a également mis en évidence les limites des données. Les modèles qui ont obtenu les meilleures performances étaient généralement ceux pour lesquels les chercheurs disposaient d'un grand nombre d'exemples d'entraînement. Pour les questions où les modèles ont obtenu des classements inférieurs, les ensembles de données étaient souvent très petits, contenant moins de mille exemples. Cela suggère que lorsqu'il y a très peu de données pour apprendre, même la sélection la plus intelligente d'outils ne peut pas facilement trouver une meilleure réponse. Les chercheurs ont également noté que pour une tâche spécifique impliquant la lipophilie des médicaments, un autre type de modèle, appelé réseau à passage de messages (message-passing network), a en fait surpassé leur approche basée sur les arbres, prouvant qu'aucun algorithme unique n'est supérieur pour chaque tâche.

Les conclusions offrent une voie pratique pour le domaine. Les chercheurs ont démontré que la performance compétitive ne nécessite pas l'invention d'une architecture nouvelle et non testée ou l'imposition d'un ensemble de caractéristiques unique à chaque problème. En sélectionnant simplement la bonne combinaison d'outils existants et publiés pour chaque question biologique spécifique, ils ont obtenu des résultats de premier plan. Cette approche respecte la nature unique de chaque point de terminaison biologique. Elle suggère que, dans le futur, la façon la plus efficace de prédire le comportement des médicaments ne sera peut-être pas de construire un modèle plus grand et plus complexe, mais d'être plus réfléchi quant aux outils spécifiques utilisés pour répondre à chaque question précise. L'étude conclut qu'une recette uniforme n'est pas nécessaire pour réussir ; au contraire, une approche sur mesure, fondée sur une validation rigoureuse, constitue une alternative puissante et accessible pour faire progresser la découverte de médicaments.