Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

Enunciato del Problema
I modelli di machine learning per grafi molecolari richiedono sempre più spiegabilità per guadagnare la fiducia dei chimici sperimentali. Un requisito critico, ma spesso trascurato, per la significatività chimica è che le spiegazioni debbano essere coerenti tra rappresentazioni di grafi chimicamente equivalenti. Attualmente, diversi disegni della stessa molecola (ad esempio, variazioni nell'ordinamento degli atomi, tautomeri, disconnessioni metalliche o distribuzioni di carica) possono indurre rappresentazioni molecolari diverse nei metodi di featurizzazione standard. Ciò porta a previsioni inconsistenti e, più criticamente, ad attribuzioni divergenti (spiegazioni) per la stessa entità chimica. I metodi esistenti, come gli invarianti Daylight standard, non garantiscono che strutture chimicamente identiche producano vettori di caratteristiche identici, minando così l'affidabilità delle spiegazioni del modello.

Metodologia: INVARIANTI INCHIFIED
Gli autori introducono gli INVARIANTI INCHIFIED, una classe di caratteristiche di nodi, archi e grafo progettate per essere invarianti rispetto alle trasformazioni che preservano l'identità chimica. La metodologia sfrutta l'International Chemical Identifier (InChI), uno standard sviluppato dall'IUPAC, per definire la relazione di equivalenza. La costruzione imita il Manuale Tecnico InChI attraverso un flusso di lavoro sequenziale di 10 passaggi applicato al grafo molecolare in ingresso:

1. Preparazione: Calcolo della carica molecolare totale, conversione dei legami aromatici in forme di Kekulé (singoli/doppi) e marcatura degli atomi di idrogeno come atomi "fantasma" (rimuovendoli dal grafo ma memorizzando il loro conteggio e le informazioni isotopiche negli attributi degli atomi pesanti collegati).
2. Disconnessione: Separazione degli atomi metallici aumentando la loro carica e diminuendo la carica degli atomi collegati, rimuovendo efficacemente i legami metallo-legante e la stereochimica associata.
3. Normalizzazione: Applicazione di trasformazioni basate su SMARTS per ridistribuire le cariche formali e gli ordini di legame (ad esempio, gestione di zwitterioni e forme a carica separata).
4. Deprotonazione: Rimozione di protoni da eteroatomi caricati positivamente e da specifici pattern di catena per neutralizzare le cariche.
5. Neutralizzazione: Tentativo di neutralizzare i frammenti molecolari regolando le cariche e gli idrogeni su specifici eteroatomi.
6. Riduzione della Valenza: Rimozione degli eccessi di idrogeno dagli atomi non metallici per ridurre la valenza ai livelli standard.
7. Rilevamento di Cariche Mobili: Identificazione di catene di legami alternati che collegano cariche positive su atomi di azoto, contrassegnandoli come "aromatici" per gestire la risonanza.
8. Rilevamento di Tautomerismo: Rilevamento iterativo di pattern tautomerici (ad esempio, spostamenti cheto-enolo), rimozione di idrogeni mobili e contrassegnazione dei legami come "aromatici" per catturare l'equivalenza tra tautomeri.
9. Isotopi dell'Idrogeno: Gestione di protio, deuterio e tritio mobili rimuovendo i tag fantasma dove appropriato e registrando i conteggi isotopici.
10. Stereochimica: Assegnazione di etichette R/S ed E/Z basate sulle regole Cahn–Ingold–Prelog (CIP), rimuovendo le etichette per i casi non trattati come stereogenici dall'InChI.

Gli INVARIANTI INCHIFIED finali consistono in:

• Caratteristiche dei nodi: Numero atomico, isotopo, grado, appartenenza ad anelli, conteggi di idrogeno (totali e isotopi specifici) e codici CIP.
• Caratteristiche degli archi: Codici CIP dei legami.
• Caratteristiche del grafo: Carica molecolare totale.

Gli atomi fantasma sono mantenuti nella struttura del grafo con caratteristiche a valore zero per preservare l'indicizzazione originale degli atomi a fini di visualizzazione, ma vengono ignorati durante l'estrazione delle caratteristiche.

Contributi Chiave

1. Nuova Featurizzazione: Introduzione di un insieme di caratteristiche che impone l'invarianza alle trasformazioni dell'identità chimica, fungendo da sostituto diretto per le caratteristiche standard dei grafi molecolari.
2. Validazione su Larga Scala: Dimostrazione su 1 milione di grafi molecolari da PubChem che gli INVARIANTI INCHIFIED producono rappresentazioni identiche per grafi chimicamente equivalenti (stesso InChI) nel 99,62% dei casi, rispetto al solo 0,35% per gli invarianti Daylight standard.
3. Preservazione delle Prestazioni: Validazione su compiti di benchmark MoleculeNet che mostra che le prestazioni predittive sono preservate mentre si migliora significativamente la coerenza tra diverse rappresentazioni di grafi.
4. Coerenza delle Attribuzioni: Analisi quantitativa che mostra che le spiegazioni generate con caratteristiche standard variano sostanzialmente tra grafi chimicamente equivalenti, mentre gli INVARIANTI INCHIFIED impongono una coerenza quasi perfetta per costruzione.
5. Rilascio Open-Source: Fornitura di software per integrare questi invarianti nelle pipeline esistenti di machine learning.

Risultati

• Coerenza della Rappresentazione: In un dataset di 1 milione di stringhe SMILES, gli INVARIANTI INCHIFIED hanno raggiunto un tasso di corrispondenza del 99,62% per grafi che condividono la stessa chiave InChI, mentre gli invarianti Daylight standard hanno corrisposto solo nello 0,35%. Al contrario, quando le chiavi InChI differivano, entrambi i metodi hanno prodotto impronte digitali diverse in oltre il 99,98% dei casi.
• Prestazioni Predittive: Sui set di test originali di MoleculeNet, i modelli che utilizzano gli INVARIANTI INCHIFIED hanno performance comparabili a quelli che utilizzano le caratteristiche di benchmark. Tuttavia, su dataset di rappresentazioni alternative (grafi della stessa molecola generati tramite conversione SMILES $\to$ InChI $\to$ SMILES), i modelli che utilizzano gli INVARIANTI INCHIFIED hanno mostrato prestazioni significativamente migliori (ad esempio, RMSE più basso su ESOL, FreeSolv e Lipo; ROC-AUC più alto su HIV, BACE, BBBP) rispetto ai modelli di benchmark. Ciò indica che i modelli di benchmark sono sensibili alla rappresentazione del grafo, mentre gli INVARIANTI INCHIFIED riducono questa sensibilità.
• Coerenza delle Spiegazioni: Utilizzando Integrated Gradients su modelli addestrati su ClinTox e HIV, gli autori hanno misurato la correlazione di Kendall's tau tra le attribuzioni per coppie di SMILES con lo stesso InChI.
  • Con le caratteristiche di Benchmark, l'accordo variava ampiamente (ad esempio, mediana di Kendall's tau di 0,78 per NeuralFP su HIV, scendendo a 0,35 per AttentiveFP).
  • Con gli INVARIANTI INCHIFIED, l'accordo era quasi perfetto (mediana di Kendall's tau di 1,00 in tutte le configurazioni).
• Sovraccarico Computazionale: Il costo di pre-elaborazione è superiore rispetto agli invarianti Daylight standard (il tempo di esecuzione mediano aumenta da ~0,02 ms a ~0,29 ms per piccole molecole), ma rimane trascurabile rispetto ai tempi di addestramento e inferenza del modello.

Significato e Affermazioni
Il lavoro postula che la coerenza è un prerequisito necessario (sebbene non sufficiente) affinché le spiegazioni siano chimicamente significative. Allineando le rappresentazioni dei grafi molecolari con lo standard internazionale di identità chimica (InChI), gli INVARIANTI INCHIFIED assicurano che due disegni della stessa molecola producano le stesse previsioni e attribuzioni. Gli autori sottolineano che questo approccio non sostituisce l'InChI per l'indicizzazione dei database, ma porta lo stesso standard chimico nel machine learning basato su grafi come caratteristiche utilizzabili. Il lavoro affronta una lacuna nella letteratura in cui i metodi di spiegazione (ad esempio, LIME, SHAP, GNNExplainer) sono tipicamente valutati su input fissi senza considerare se diversi input validi per la stessa molecola producano spiegazioni coerenti. Gli autori concludono che gli INVARIANTI INCHIFIED forniscono un metodo pratico e agnostico rispetto all'architettura per migliorare l'affidabilità del machine learning molecolare senza richiedere modifiche ai modelli a valle o agli algoritmi di spiegazione.