A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

Dans la course à la découverte de nouveaux médicaments, les scientifiques sont confrontés à un défi de taille : l'univers des molécules médicamenteuses possibles est vaste, mais il est impossible de toutes les tester en laboratoire. Pour naviguer dans ce domaine, les chercheurs utilisent des ordinateurs pour prédire comment une molécule se comportera avant même qu'une seule goutte ne soit synthétisée. Ce processus repose sur une première étape cruciale : traduire la forme complexe et tridimensionnelle d'un produit chimique dans un langage lisible par un ordinateur. Considérez cette traduction comme la conversion d'un objet physique en un code-barres ; la manière dont ce code-barres est conçu détermine la capacité de l'ordinateur à comprendre les propriétés de l'objet, comme sa capacité à se dissoudre dans l'eau, à traverser la barrière hémato-encéphalique ou à être nocif. Pendant des années, les scientifiques ont débattu pour savoir quel système de « code-barres » fonctionnait le mieux, supposant souvent que des modèles informatiques plus complexes résoudraient automatiquement le problème. Cependant, l'efficacité de ces prédictions dépend fortement de la qualité de la traduction initiale, et non seulement de la sophistication de l'ordinateur qui l'analyse.

Une équipe de chercheurs de l'Université Nationale Tsing Hua à Taïwan s'est donné pour mission de trancher ce débat en testant systématiquement comment différentes manières de coder les structures moléculaires affectent la précision des prédictions. Ils se sont concentrés sur deux types distincts d'architectures informatiques : un réseau de neurones standard, qui fonctionne comme un décideur simple et stratifié, et un modèle plus avancé basé sur les Transformers, un type d'intelligence artificielle conçu à l'origine pour comprendre le langage humain et capable de peser simultanément l'importance de différentes parties d'une phrase. Les chercheurs ont alimenté ces systèmes avec une variété de « codes-barres » moléculaires, incluant des empreintes topologiques traditionnelles qui cartographient les connexions atomiques, des codes basés sur les sous-structures qui identifient des groupes chimiques spécifiques, et des représentations textuelles qui traitent les molécules comme du texte. Ils ont entraîné ces systèmes sur sept ensembles de données bien connus couvrant diverses tâches, allant de la prédiction de la toxicité et de la mutagenicité à l'estimation de la capacité d'un médicament à pénétrer la barrière hémato-encéphalique.

Les résultats ont offert un guide pratique et clair pour le domaine. Contrairement à l'hypothèse selon laquelle le modèle Transformer, plus complexe, surpasserait systématiquement le réseau de neurones plus simple, l'étude a révélé que le modèle standard atteignait souvent une précision égale ou légèrement supérieure pour la plupart des tâches. En fait, le choix de la méthode de codage moléculaire s'est avéré bien plus critique que le choix du modèle informatique lui-même. Par exemple, pour la tâche de prédiction de la toxicité d'une molécule, un type spécifique d'empreinte appelé MACCS a donné les meilleurs résultats pour le modèle simple, tandis qu'une autre empreinte appelée FCFP a mieux fonctionné pour le modèle complexe. Cela suggère qu'il n'existe pas de « code parfait » unique pour tous les problèmes chimiques ; la meilleure approche dépend entièrement de la propriété spécifique que l'on cherche à prédire. Les chercheurs ont également validé leurs découvertes sur des ensembles de données externes, confirmant que leurs modèles restaient robustes face à de nouvelles données inédites, avec des scores de précision moyens dépassant systématiquement 0,9 pour plusieurs tâches de classification biologique.

Au-delà de la performance brute, l'étude a abordé un obstacle majeur de l'intelligence artificielle : l'interprétabilité. Souvent, les modèles d'IA puissants agissent comme des « boîtes noires », fournissant une réponse sans expliquer pourquoi. Les chercheurs ont démontré que le modèle Transformer, bien qu'il ne soit pas toujours le plus précis, offrait une fenêtre unique sur son propre raisonnement. En analysant les poids d'« attention » internes du modèle — qui indiquent les parties de l'entrée sur lesquelles l'ordinateur s'est le plus concentré — ils ont pu identifier les sous-structures chimiques spécifiques qui dictent une prédiction sans avoir besoin d'outils d'explication externes. Dans une étude de cas probante comparant la morphine et l'héroïne, le modèle a correctement identifié que la présence de groupes hydroxyle (des structures contenant de l'oxygène) dans la morphine la rendait moins susceptible de traverser la barrière hémato-encéphalique par rapport à l'héroïne, qui en est dépourvue. Le modèle a accordé une attention plus élevée à ces caractéristiques d'hydroxyle dans la morphine, reflétant ainsi les connaissances chimiques établies. Cette capacité à mettre en évidence des motifs chimiquement significatifs suggère que ces modèles peuvent non seulement prédire des résultats, mais aussi aider les scientifiques à comprendre les raisons structurelles qui les sous-tendent.

En fin de compte, ce travail déplace l'attention de la simple construction de modèles plus vastes et plus complexes vers la sélection rigoureuse des outils appropriés pour chaque tâche. Les chercheurs ont conclu que, bien que les architectures avancées comme les Transformers offrent des perspectives précieuses sur la manière dont les molécules interagissent, elles ne garantissent pas automatiquement des prédictions supérieures. Au lieu de cela, la stratégie la plus efficace consiste à faire correspondre la méthode de codage moléculaire spécifique à la tâche de prédiction et à l'architecture de modèle choisie. En privilégiant l'interprétabilité aux côtés de la précision, cette approche offre une voie plus méthodique vers la découverte de médicaments, garantissant que les modèles informatiques utilisés pour concevoir des médicaments vitaux soient non seulement puissants, mais aussi compréhensibles et fiables.