🧬 biology

Learning Canonical Representations for Unified 3D Molecular Modeling

L'article présente TheMol, un cadre de représentation moléculaire 3D qui apprend un référentiel canonique pour découpler la pose globale de l'apprentissage de la représentation, permettant ainsi à un modèle unique et unifié de traiter efficacement diverses tâches telles que la prédiction de propriétés, la génération de coordonnées et l'optimisation basée sur la structure, tout en améliorant la stabilité rotationnelle et la structure de l'espace latent.

Auteurs originaux : Sanghyun Park, Seungyeon Choi, Hwanhee Kim, yoonju kim, seungyong lee, inpyo hong

Publié 2026-07-22

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Sanghyun Park, Seungyeon Choi, Hwanhee Kim, yoonju kim, seungyong lee, inpyo hong

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'apprendre à un robot à comprendre la forme d'une molécule, comme une minuscule et complexe structure de Lego. Dans le monde de la découverte de médicaments, les scientifiques ont besoin que ces robots accomplissent trois tâches très différentes : deviner la force d'une molécule (comme prédire son poids), construire une toute nouvelle molécule à partir de zéro, et ajuster une molécule existante pour qu'elle s'insère parfaitement dans une serrure biologique. La difficulté réside dans le fait que les molécules peuvent pivoter et tourner dans l'espace, tout comme une toupie. Si vous donnez au robot une molécule orientée vers la gauche, puis la même molécule orientée vers la droite, il doit savoir qu'il s'agit du même objet, et non de deux objets différents.

Pendant longtemps, les scientifiques ont tenté de résoudre ce « problème de rotation » de trois manières principales. Certains robots ignorent totalement la direction, traitant la molécule comme un nuage de points (excellent pour deviner le poids, mauvais pour la construction). D'autres tentent de mémoriser chaque angle possible sous lequel la molécule pourrait pivoter (excellent pour la construction, mais le robot se confond lorsqu'il essaient d'optimiser). Un troisième groupe se contente de montrer au robot la molécule sous des rotations aléatoires, encore et encore, en espérant qu'il apprenne à ignorer la direction par pure répétition (simple, mais le robot pourrait quand même être déstabilisé par un nouvel angle). La grande question est la suivante : pouvons-nous construire un cerveau de robot unique et super intelligent capable de gérer ces trois tâches sans être perturbé par la rotation ?

C'est précisément ce que les chercheurs de l'Université Yonsei ont abordé dans leur nouvel article présentant un système appelé THEMOL. Considérez THEMOL comme un nouveau tour de passe-passe ingénieux pour enseigner au robot. Au lieu de forcer le robot à mémoriser chaque rotation ou d'ignorer complètement la direction, THEMOL apprend à la molécule à « se tenir droite » avant même que le robot ne la regarde.

Voici comment cela fonctionne : imaginez que vous avez un jouet bancal qui tourne. Avant d'essayer de le décrire ou d'en construire une copie, vous le saisissez délicatement et le posez sur une table dans une pose spécifique et standard — disons, avec sa « tête » pointant vers le nord et ses « pieds » vers le sud. THEMOL fait cela numériquement. Il apprend une règle spéciale pour faire pivoter n'importe quelle molécule dans cette pose « canonique » (standard) parfaite instantanément. Une fois que la molécule est debout dans cette pose standard, le cerveau du robot (qui est en réalité assez simple et n'a plus besoin de se soucier de la rotation) peut facilement apprendre la véritable forme et les secrets chimiques de la molécule.

L'article suggère que cette approche change la donne car elle sépare le problème de la « rotation » du problème de l'« apprentissage ». En nettoyant l'orientation au préalable, le système crée un espace de mémoire partagé unique où les molécules sont organisées par leur chimie, et non par la direction dans laquelle elles faisaient face à leur arrivée.

Les chercheurs ont testé cette idée et ont obtenu des résultats passionnants. Ils ont montré que THEMOL peut prédire les propriétés chimiques aussi bien que les meilleurs modèles existants, mais qu'il réussit également bien mieux à générer de nouvelles structures 3D qui semblent physiquement réelles. Plus important encore, lorsqu'ils ont tenté d'« optimiser » des molécules (en les ajustant pour qu'elles fonctionnent mieux), THEMOL n'a pas perdu de temps à faire tourner les molécules en rond ; il s'est concentré purement sur le changement de la chimie. Lors de leurs tests, THEMOL a obtenu des scores de premier plan sur 6 des 9 ensembles de données de prédiction chimique standard et a généré des molécules avec une validité de 99,9 %, ce qui signifie que presque chaque molécule construite était chimiquement possible.

Les auteurs suggèrent que cette méthode offre une manière plus stable et efficace de gérer les molécules en 3D. Bien qu'ils admettent que pour les molécules extrêmement symétriques ou molles, trouver la « pose standard » parfaite puisse encore être un peu délicat, les résultats indiquent qu'apprendre à un modèle à aligner les molécules d'abord crée une fondation bien plus solide pour les futurs outils de découverte de médicaments. C'est comme réaliser que pour construire une maison parfaite, vous n'avez pas besoin de mémoriser tous les angles possibles sous lesquels le plan pourrait être tenu ; vous devez simplement poser le plan à plat sur la table d'abord.

Résumé Technique : Apprentissage de Représentations Canoniques pour la Modélisation Moléculaire 3D Unifiée

Énoncé du Problème

Les modèles de fondation moléculaires tridimensionnels sont de plus en plus appelés à supporter une gamme diversifiée de tâches, incluant la prédiction de propriétés scalaires, la génération de coordonnées et l'optimisation basée sur la structure. Cependant, ces tâches imposent des exigences de symétrie géométrique conflictuelles aux représentations apprises :

La prédiction scalaire bénéficie généralement de représentations invariantes qui rejettent la pose globale.
La génération de coordonnées et la prédiction de forces nécessitent des représentations équivariantes qui préservent les structures de transformation.
Les modèles non-équivariants augmentés par rotation tentent d'apprendre la robustesse de manière statistique, mais échouent souvent à garantir la stabilité d'une vue unique ou nécessitent une inférence multi-vues coûteuse.

Les approches existantes choisissent généralement une stratégie, ce qui crée des compromis spécifiques lorsqu'un espace latent pré-entraîné unique est réutilisé pour des tâches hétérogènes. Les modèles invariants rejettent les signaux sensibles à la chiralité et nécessitent des mécanismes de levage (lifting) complexes pour la reconstruction des coordonnées. Les modèles équivariants entremêlent l'orientation globale avec la variation chimique, compliquant la génération et l'optimisation dans l'espace latent en mélangeant les changements de jauge avec les changements structurels significatifs. Les modèles augmentés par rotation manquent de stabilité garantie à travers toutes les orientations. De plus, l'évaluation de la qualité des représentations uniquement via les scores des benchmarks en aval est insuffisante, car elle peut être confondue par les têtes spécifiques à la tâche et les protocoles de fine-tuning.

Méthodologie : THEMOL

Les auteurs introduisent THEMOL, un cadre qui sépare la gestion de la pose globale de l'apprentissage de la représentation par une canonisation apprise.

Architecture Centrale

Apprentissage du Référentiel Canonique : Avant l'encodage, THEMOL projette les copies rotatées d'une molécule vers une pose canonique partagée. Ceci est réalisé en apprenant un sélecteur de rotation $\hat{R}_\theta(x, h) \in SO(3)$ $\hat{R}_{θ} (x, h) \in S O (3)$ qui aligne les coordonnées centrées $x_c$ $x_{c}$ vers un référentiel cohérent.
- Les coordonnées canonisées sont définies par $A_\theta(x, h) = x_c \hat{R}_\theta(x, h)^\top$ .
- Le système impose une cohérence de jauge : $A_\theta(xR^\top, h) = A_\theta(x, h)$ , garantissant que les rotations globales sont supprimées avant que le backbone ne traite l'entrée.
Backbone Non-Équivariant : Un auto-encodeur transformer non-équivariant standard opère sur ces coordonnées canonisées. Puisque l'entrée est déjà alignée, le backbone n'a pas besoin d'apprendre explicitement l'équivariance ou l'invariance ; il apprend simplement la distribution des structures moléculaires dans un système de coordonnées cohérent.
Gestion Unifiée des Sorties :
- Sorties Invariantes : Les prédictions scalaires sont lues directement depuis l'espace latent canonique.
- Sorties Équivariantes : Les prédictions au niveau des coordonnées sont générées dans le référentiel canonique, puis "élevées" (lifted) vers le système de coordonnées original en utilisant la rotation $\hat{R}_\theta$ sélectionnée.

Stratégie d'Évaluation

Au-delà des benchmarks standards en aval, les auteurs proposent une suite de diagnostics intrinsèques de la représentation pour évaluer directement l'espace de plongement (embedding) gelé :

Préservation de l'Identité Moléculaire : Mesurée par l'AUC.
Cohérence Sémantique Chimique : Évaluer si des molécules similaires se regroupent correctement.
Dimension Effective : Évaluer l'utilisation de l'espace latent.
Hubness et Uniformité : Mesurer la structure géométrique de l'espace de plongement.
Alignement Pré-entraînement/Fine-tuning : Comparer les sous-espaces principaux pour s'assurer que l'adaptation en aval suit les directions de variation du pré-entraînement.
Diagnostics de Prêt pour la Tâche : Incluant la sensibilité à la rotation, la hiérarchie de distance latente (distinguer la rotation des changements conformationnels), la décodabilité sous perturbation, et l'efficacité de l'optimisation (mesurant le "gaspillage de jauge").

Résultats Clés

1. Qualité de la Représentation et Stabilité

Stabilité Rotationnelle : THEMOL fait s'effondrer les copies aléatoirement rotatées d'une molécule en un cluster d'embeddings compact, surpassant de manière significative les baselines de l'augmentation (Repr.C) qui présentent des embeddings dispersés.
Organisation Latente : L'espace latent présente une hiérarchie claire où les rotations induisent le plus petit déplacement, suivies des changements conformationnels, des changements de paires moléculaires appariées (MMP), et des différences de squelette (scaffold). Cela indique que la canonisation sépare avec succès la variation de pose nuisible de la variation structurelle chimiquement significative.
Décodabilité et Optimisation : THEMOL maintient une validité plus élevée (PB-Valid) sous les perturbations et l'interpolation latente par rapport aux modèles équivariants ou basés sur l'augmentation. Dans les tâches d'optimisation, il démontre un plus faible "gaspillage de jauge" (déplacement le long des directions induites par la rotation) et une plus grande efficacité de recherche.

2. Performance en Aval

THEMOL a été évalué sur trois familles de tâches distinctes en utilisant un seul espace latent pré-entraîné :

Prédiction de Propriétés Scalaires : Sur MoleculeNet (9 jeux de données), THEMIF a obtenu le meilleur ROC-AUC moyen (81.65), se classant premier sur six jeux de données. Sur le benchmark TDC ADMET (22 tâches), il a obtenu un rang moyen de 3.4, surpassant le SOTA du classement TDC et MiniMol sur 15 tâches.
Génération de Molécules 3D : Sur GEOM-DRUG, THEMOL a atteint 86.8% de stabilité atomique et 99.9% de validité sous le protocole v1. Sous les métriques plus strictes de v2, il a obtenu le PB-Valid le plus élevé (93.7%) et le déplacement de relaxation médian ( $\Delta R_{relax}$ ) le plus bas, indiquant des géométries physiquement réalistes.
Optimisation Basée sur la Structure : Sur CrossDocked2020, THEMOL a obtenu l'affinité de liaison prédite la plus forte (meilleurs scores moyens SMINA et Vina Dock) tout en maintenant la plus haute diversité moléculaire et une accessibilité synthétique (SA) compétitive.

Signification et Revendications

L'article affirme que le principal avantage de THEMOL n'est pas une supériorité isolée sur une tâche spécifique, mais la stabilité inter-tâches d'un espace latent canonique unique. En traitant la pose globale comme une variable d'interface plutôt que comme un fardeau porté tout au long de la représentation, THEMOL permet à un backbone non-équivariant d'être réutilisé efficacement pour :

Les tâches invariantes (prédiction scalaire) sans perdre l'information de niveau coordonnée.
Les tâches équivariantes (génération/optimisation) sans entremêler l'orientation avec la variation chimique.

Les auteurs soutiennent que cette conception résout les compromis induits par la symétrie inhérents aux approches invariantes, équivariantes et basées sur l'augmentation. Ils soulignent que les représentations moléculaires 3D réutilisables doivent être évaluées non seulement par leurs scores en aval, mais aussi par leur stabilité géométrique intrinsèque, leur organisation chimique et leur capacité à supporter des opérations de modélisation comme l'interpolation et la recherche guidée par les propriétés. THEMOL démontre qu'en séparant explicitement la pose globale de la variation moléculaire, on fournit une voie principielle vers des modèles de fondation pouvant être déployés à travers des tâches ayant des exigences géométriques divergentes.

Limites

Les auteurs reconnaissent que les référentiels canoniques appris peuvent être ambigus pour les molécules hautement symétriques, quasi-dégénérées ou hautement flexibles. L'étude actuelle se concentre sur la modélisation de petites molécules ; l'extension aux peptides, protéines et complexes protéine-ligand nécessiterait de gérer une plus grande variabilité conformationnelle et de multiples référentiels de coordonnées interactifs. De plus, l'optimisation basée sur la structure a été évaluée à l'aide de proxys de docking plutôt que par l'affinité de liaison expérimentale.