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

Résumé Technique : Serveur Web LGBM-BBB pour la Prédiction de la Perméabilité de la Barrière Hémato-Encéphalique

Énoncé du Problème
Le développement de médicaments ciblant le système nerveux central (SNC) est considérablement entravé par la barrière hémato-encéphalique (BHE), qui bloque environ 98 % des petites molécules thérapeutiques. Bien que des méthodes expérimentales (in vivo et in vitro) existent pour évaluer la perméabilité, elles sont chronophages, à faible débit et complexes sur le plan éthique. Les modèles in silico existants souffrent souvent de limitations telles que l'utilisation de SMOTE (qui peut introduire du bruit), la dépendance à des représentations de haute dimension et de faible densité (par exemple, les descripteurs de vocabulaire codés en un seul bit/one-hot) ou des approches basées sur les graphes coûteuses en calcul. De plus, des études antérieures ont manqué de comparaisons directes exhaustives utilisant des données standardisées et d'outils de déploiement pratiques pour les chercheurs expérimentaux.

Méthodologie
L'étude a utilisé le jeu de données B3DB, comprenant 7 807 composés avec des classifications de perméabilité binaire validées expérimentalement. Les auteurs ont mis en œuvre un pipeline rigoureux impliquant la curation des données, l'ingénierie des caractéristiques et l'optimisation des modèles :

1. Prétraitement et Curation des Données :

   • Les composés ont été filtrés pour une plage de poids moléculaire de 150 à 800 Daltons, résultant en 7 298 composés.
   • Pour traiter l'hétérogénéité de l'étiquetage à travers 50 sources de données distinctes, les composés ont été catégorisés en quatre groupes (A–D) basés sur la cohérence des données et le rapport des seuils, standardisant la classification en utilisant un seuil de logBB de -1 le cas échéant.
   • Winsorisation : Pour gérer les valeurs aberrantes sans suppression de données, les seuils du 1er et du 99e percentile ont été appliqués. Cela a permis de tempérer les valeurs extrêmes (particulièrement pour les descripteurs de lipophilie comme le SLogP) tout en préservant la taille de l'échantillon et la distribution centrale.

2. Ingénierie et Sélection des Caractéristiques :

   • Calcul des Descripteurs : 1 613 descripteurs initiaux (1D, 2D et 3D) ont été générés à l'aide de Mordred et RDKit, couvrant les propriétés constitutionnelles, topologiques et géométriques.
   • Filtrage : Les caractéristiques présentant plus de 5 % de valeurs manquantes ont été supprimées ; les lacunes restantes ont été comblées par imputation de la médiane stratifiée par classe. Les caractéristiques quasi constantes (variance < 0,01) ont été écartées.
   • Sélection : Un processus de filtrage en deux étapes a réduit l'ensemble des caractéristiques à 59 descripteurs non redondants :
     • Corrélation de Distance : Conservation des caractéristiques ayant une corrélation > 0,25 avec la variable cible.
     • Corrélation de Spearman : Suppression des caractéristiques multicolinéaires (ρ > 0,85), en conservant la caractéristique ayant la plus forte association avec la cible.

3. Entraînement et Évaluation des Modèles :

   • Six algorithmes ont été comparés : Random Forest, XGBoost, LightGBM (LGBM), CatBoost, Régression Logistique et Support Vector Classifier (SVC).
   • Les données ont été divisées en 80 % d'entraînement et 20 % de test en utilisant un échantillonnage stratifié, avec une validation croisée à 10 plis pour l'évaluation de la stabilité.
   • Optimisation du Seuil : Au lieu du seuil par défaut de 0,5, la frontière de décision a été optimisée en évaluant 100 valeurs pour maximiser le coefficient de corrélation de Matthews (MCC) sur l'ensemble de test.

4. Déploiement Web :

   • Le modèle optimal a été déployé sous la forme d'un serveur web utilisant Python Flask (backend) et React.js (frontend), hébergé sur l'infrastructure cloud Render.

Résultats Clés

• Performance du Modèle : Les méthodes de gradient boosting ont surpassé les modèles linéaires (Régression Logistique, SVC). LightGBM (LGBM) a atteint le meilleur équilibre entre performance et vitesse de calcul, atteignant 90,1 % de précision et un 0,953 ROC-AUC.
• Comparaison des Métriques : Les modèles de boosting ont montré un gain significatif de MCC (environ 21 % plus élevé que les modèles linéaires), indiquant une meilleure gestion du déséquilibre des classes et des interactions non linéaires complexes.
• Optimisation du Seuil : L'optimisation du seuil pour le MCC n'a apporté que des gains statistiques marginaux (par exemple, le MCC de LGBM est passé de 77,76 % à 78,43 %), suggérant que la frontière de décision naturelle du modèle était déjà bien séparée.
• Importance des Caractéristiques : L'analyse SHAP a identifié la Surface Polaire Topologique (TopoPSA) comme le prédicteur dominant, suivie de l'aire de surface électrotopologique et des comptes de composés acides. Une surface polaire élevée (> 90 Ų) est fortement associée à la non-perméabilité.
• Analyse Basée sur des Règles : Les composés passant à la fois les filtres de Lipinski et de Ghose présentaient un taux de perméabilité de 74 %, contre 32 % pour ceux échouant aux deux, soulignant que le filtrage par règles seul n'atteignait qu'une précision d'environ 70 %, ce qui souligne la nécessité de l'apprentissage automatique pour une précision accrue.
• Comparaison avec la Littérature : Le modèle LGBM a obtenu des performances comparables ou supérieures à des études précédentes utilisant le même jeu de données B3DB (ex. Jia et al. et Nguyen et al.), mais sans la surcharge de calcul des entrées basées sur les graphes ou le potentiel de bruit de SMOTE.

Contributions Clés

1. Ingénierie Robuste des Caractéristiques : La mise en œuvre de la winsorisation pour gérer les valeurs aberrantes et un processus rigoureux de sélection de caractéristiques basé sur la corrélation de distance pour réduire la dimensionnalité sans perdre d'informations critiques.
2. Évaluation Comparative et Optimisation : Une comparaison systématique de six algorithmes avec optimisation explicite du seuil pour le MCC, démontant que les méthodes d'ensemble basées sur les arbres sont supérieures pour cette tâche spécifique.
3. Outil Accessible : Le développement et la publication de LGBM-BBB, un serveur web librement accessible qui permet aux chercheurs de saisir des chaînes SMILES ou des fichiers CSV pour un criblage virtuel rapide sans nécessiter de ressources de calcul locales ou d'expertise technique.
4. Interprétabilité : La fourniture d'aperçus basés sur SHAP et d'un score de confiance basé sur la proximité au seuil de MCC, aidant les chimistes à comprendre la fiabilité des prédictions.

Signification et Revendications
Les auteurs affirment que ce travail fournit un outil validé, efficace en termes de calcul et accessible pour répondre au goulot d'étranglement critique de la découverte de neurothérapeutiques. En évitant la complexité de SMOTE et des descripteurs de graphes, le modèle maintient un haut pouvoir prédictif (90,1 % de précision) tout en étant plus rapide et plus facile à déployer. L'étude souligne que si les filtres basés sur des règles (Lipinski/Ghose) offrent une heuristique initiale utile, l'apprentissage automatique est nécessaire pour capturer les relations multidimensionnelles régissant la perméabilité de la BHE. Le serveur web est positionné comme une ressource pratique pour permettre le criblage rapide de grandes bibliothèques chimiques, permettant potentiellement de réorienter les ressources vers des candidats prometteurs avant l'optimisation coûteuse des têtes de série (leads). Les auteurs notent modestement que le modèle est conçu pour les molécules de type médicament et peut ne pas se généraliser aux peptides ou aux conjugués anticorps-médicament, et que les différences physiologiques spécifiques aux espèces concernant la BHE restent un défi non entièrement abordé par l'ensemble de données agrégées B3DB.