Rethinking Molecular OOD Generalization via Target-Aware Source Selection

Riepilogo Tecnico: Ripensare la Generalizzazione OOD Molecolare tramite Selezione della Sorgente Consapevole del Target

Definizione del Problema
Il documento affronta il collo di bottiglia critico della previsione robusta delle proprietà molecolare in scenari OOD (Out-of-Distribution) estremi, prerequisito per la scoperta di farmaci guidata dall'IA. Gli autori identificano due fallimenti principali nei paradigmi attuali:

1. Bias di Valutazione: I protocolli convenzionali di splitting per scaffold (ad esempio, in MoleculeNet) non riescono a prevenire la "sovrapposizione semantica microscopica". Anche quando gli scaffold di test sono distinti dagli scaffold di addestramento, le molecole condividono spesso sottostrutture locali (ad esempio, sistemi pi-coniugati o reti di legami idrogeno). Ciò permette ai modelli di apprendere scorciatoie spurie anziché invarianti fisico-chimici trasferibili, portando a una sovrastima delle capacità di generalizzazione.
2. Trasferimento Negativo nell'Adattamento: Le strategie standard di adattamento del dominio allineano ciecamente librerie sorgenti eterogenee a un target non etichettato. Sotto spostamenti strutturali estremi, questo allineamento globale inietta rumore topologico, causando un "collasso della dimensionalità" (una drastica riduzione del rango nella matrice di covarianza delle caratteristiche del target) e un grave trasferimento negativo, spesso performando peggio rispetto all'uso di nessun adattamento.

Metodologia
Per affrontare queste sfide, gli autori propongono un approccio a due facce: un benchmark rigoroso e un nuovo framework di adattamento.

1. SCOPE-BENCH (Benchmark di Valutazione delle Prestazioni OOD basato su Cluster di Scaffold):

   • Costruzione: Basato sul dataset QM9, questo benchmark impone una separazione metrica rigorosa. Estrae gli scaffold Bemis–Murcko e li rappresenta tramite un vettore di descrittori fisico-chimici a quattro dimensioni (topologia globale, polarizzabilità elementare, delocalizzazione/elettrone rigidità ed entropia conformazionale).
   • Partizionamento: Gli scaffold subiscono un clustering gerarchico basato sul numero di anelli e sulle caratteristiche fisico-chimiche, creando 12 cluster globalmente disgiunti con confini di Voronoi rigorosi nello spazio chimico.
   • Protocollo: Il dataset è partizionato in modo asimmetrico in domini sorgente, di validazione e target. Crucialmente, il dominio target è completamente invisibile durante l'addestramento, e la divisione garantisce che non sia possibile alcuna interpolazione sottostrutturale.

2. POMA (Policy Optimization for Multi-source Adaptation):
   POMA formula il trasferimento di conoscenza come una pipeline recupera–componi–adatta guidata da una politica di reinforcement learning.

   • Costruzione di Proxy Consapevoli del Target: Poiché il target reale non è etichettato, il framework costruisce "proxy target" da scaffold sorgente etichettati che sono topologicamente simili al target reale (misurati tramite similarità del coseno dell'impronta digitale Morgan e un "HubScore" per garantire una rappresentatività ampia).
   • Selezione Combinatoria della Sorgente (Recupera e Componi):
     • Un pool di candidati di domini sorgente è classificato utilizzando la similarità del kernel grafico di Weisfeiler–Lehman (WL) combinata con la dimensione del campione.
     • Una rete politica (MLP) impara a selezionare un sottoinsieme ottimale di sorgenti da questo pool.
     • Ottimizzazione: La politica di selezione è addestrata utilizzando Group Relative Policy Optimization (GRPO). A differenza di PPO, GRPO elimina la necessità di una rete Critica separata, calcolando i vantaggi tramite standardizzazione intra-gruppo. Ciò permette alla politica di esplorare uno spazio combinatorio esponenzialmente grande per trovare sottoinsiemi di sorgenti sinergici senza stime di valore fragili.
   • Adattamento Disaccoppiato a Doppia Scala:
     • Invece dell'allineamento globale, POMA impiega un'architettura a doppia scala.
     • Macroscopica: Allinea le caratteristiche topologiche dell'intera molecola.
     • Microscopica: Allinea i frammenti farmacoforici derivati tramite scissione retrosintetica BRICS.
     • Obiettivo: La perdita di allineamento minimizza la discrepanza di distribuzione (tramite Deep CORAL) a entrambe le scale indipendentemente, preservando la semantica chimica fine mentre riduce lo spostamento della covariata.

Contributi Chiave

1. SCOPE-BENCH: Un benchmark OOD rigoroso che elimina i bias di valutazione causati dalla sovrapposizione sottostrutturale. Gli esperimenti su questo benchmark rivelano che i modelli molecolari 3D all'avanguardia (ViSNet, ETNN, GotenNet) subiscono un degrado catastrofico delle prestazioni (aumento medio dell'errore di 5,9 volte, fino a 8,0 volte) rispetto agli split standard per scaffold.
2. Framework POMA: Un framework guidato da politica che supera il trasferimento negativo selezionando dinamicamente sottoinsiemi di sorgenti ed eseguendo un adattamento a doppia scala. Dimostra che la composizione della sorgente è un determinante più critico del successo dell'estrapolazione rispetto alla scelta dell'architettura di base.
3. Validazione Empirica: Esperimenti estesi mostrano che POMA ottiene un miglioramento relativo medio del 6,2% e una riduzione fino al 11,2% dell'Errore Assoluto Medio (MAE) su diverse architetture di base e compiti (HOMO, LUMO, Gap), validando la sua universalità plug-and-play.

Risultati

• Severità del Benchmark: Su SCOPE-BENCH, il fine-tuning supervisionato standard porta a significativi picchi di errore, confermando che i modelli attuali mancano di vere capacità di estrapolazione OOD quando le sovrapposizioni microscopiche vengono rimosse.
• Recupero delle Prestazioni: POMA recupera costantemente le prestazioni su tutte le architetture testate. Ad esempio, sul compito HOMO, ha ridotto il MAE del 5,0% (ViSNet), 8,6% (ETNN) e 2,8% (GotenNet) rispetto alla baseline supervisionata.
• Insight dalle Ablazioni:
  • Politica di Selezione: La selezione basata su GRPO supera significativamente le strategie euristiche (casuale, matching di caratteristiche superficiali/profonde, descrittori fisici), confermando che le metriche di similarità statiche non possono catturare sinergie strutturali complesse.
  • Allineamento a Doppia Scala: Rimuovere sia il modulo di allineamento macroscopico che quello microscopico fa crollare le prestazioni al di sotto della baseline supervisionata, dimostrando che sia l'allineamento della topologia globale che quello del farmacoforo locale sono necessari per prevenire l'iniezione di rumore.
  • Iperparametri: Le prestazioni ottimali sono raggiunte con una dimensione del pool di candidati ($M$) di 50 e una dimensione del sottoinsieme selezionato ($K$) di 5, indicando la necessità di una "massa critica" di sorgenti complementari per colmare i divari di distribuzione estremi.

Significato
Il documento sostiene che il campo dell'apprendimento automatico molecolare deve andare oltre lo splitting standard per scaffold per riconoscere la gravità della sovrapposizione semantica microscopica. Sostiene che la selezione della sorgente consapevole del target è un prerequisito per un adattamento molecolare robusto, spesso superando l'impatto dei miglioramenti dell'architettura di base. Introducendo SCOPE-BENCH, gli autori forniscono un test di stress realistico per la generalizzazione OOD, e attraverso POMA, dimostrano che un'orchestrazione intelligente e guidata da politica dei domini sorgente può mitigare efficacemente il trasferimento negativo e il collasso della dimensionalità in spostamenti strutturali estremi. Il lavoro suggerisce che i progressi futuri nell'IA per la scoperta di farmaci dipendono non solo da encoder migliori, ma da strategie migliori per la curatela e l'adattamento di fonti di conoscenza eterogenee.