From Detection to Mechanism: Cross-Attention Graph Neural Networks Enable Drug-Drug Interaction Type Prediction An Ablation Study with Acetylsalicylic Acid Validation

Sintesi Tecnica: Dalla Rilevazione al Meccanismo – Reti Neurali Grafiche con Cross-Attention per la Predizione del Tipo di Interazione Farmaco-Farmaco

Enunciato del Problema
Il lavoro affronta una distinzione critica nella farmacologia computazionale: la differenza tra la rilevazione binaria delle Interazioni Farmaco-Farmaco (DDI) (determinare se un'interazione esiste) e la predizione del tipo di meccanismo delle DDI multi-classe (determinare il meccanismo farmacologico specifico, ad esempio farmacocinetico vs farmacodinamico). Sebbene le Reti Neurali Grafiche (GNN) abbiano raggiunto un'alta accuratezza nella rilevazione binaria su benchmark come SSI-DDI, la predizione del tipo specifico di meccanismo rimane una sfida. Lo studio indaga se l'attenzione incrociata a livello atomico tra molecole interagenti sia necessaria per risolvere i tipi di meccanismo o se la semplice concatenazione di embedding standard sia sufficiente. Inoltre, mira a identificare i limiti strutturali dei modelli basati su grafi 2D nel catturare specifici meccanismi biologici.

Metodologia
Lo studio conduce un'analisi di ablazione sistematica utilizzando il benchmark pubblicamente disponibile SSI-DDI, che contiene 38.337 coppie positive di DDI distribuite su 86 tipi di interazione. Il dataset è stato suddiviso in rapporto 80/20 (addestramento: 61.339 coppie; test: 15.335 coppie), con un set specifico "cold-drug" tenuto da parte composto da 83 coppie di Acido Acetilsalicilico (ASA) utilizzato per la validazione farmacologica.

Tre architetture GNN sono state confrontate in condizioni di addestramento identiche (ottimizzatore Adam, 60 epoche, identici encoder MPNN siamesi che utilizzano livelli NNConv):

1. Concat (Baseline): Un MPNN duale siamese in cui gli embedding molecolari globali mediamente poolizzati vengono concatenati prima della classificazione. Non avviene alcuna comunicazione a livello atomico inter-molecolare.
2. CrossAtt: Un MPNN duale che incorpora un meccanismo di attenzione incrociata a quattro teste. Gli atomi in una molecola prestano attenzione a tutti gli atomi della molecola partner prima del pooling, consentendo lo scambio di informazioni inter-molecolari.
3. Ternary: Un'estensione di CrossAtt che costruisce un grafo di interazione esplicito basato sulle prime 3 coppie di atomi inter-molecolari con similarità coseno più alta, elaborato da un terzo MPNN.

I modelli sono stati valutati su AUC binario e F1-macro multi-classe (su 86 tipi). La validazione ha incluso un set curato di 10 coppie ASA per la predizione del meccanismo e 7 coppie curate per la rilevazione binaria.

Risultati Chiave

• Specificità del Compito dell'Attenzione Incrociata: L'architettura con attenzione incrociata ha dimostrato un miglioramento massiccio nella classificazione multi-classe, aumentando il F1-macro di +0,186 (+45%) rispetto alla baseline Concat (0,596 contro 0,410). Al contrario, le prestazioni nella rilevazione binaria sono migliorate solo marginalmente (+0,012 AUC, +1,3%). Ciò conferma che la comunicazione a livello atomico è essenziale per la classificazione del tipo di meccanismo, ma offre rendimenti decrescenti per la semplice rilevazione binaria.
• Fallimento dell'Architettura Ternary: L'architettura Ternary ha ottenuto prestazioni significativamente inferiori, raggiungendo un F1-macro di 0,072 e non riuscendo a predire correttamente alcuno dei 10 tipi di interazione ASA tenuti da parte (0/10). Gli autori attribuiscono ciò all'instabilità dell'addestramento causata da una dipendenza circolare: gli spigoli del grafo di interazione dipendono da embedding stabili, ma gli embedding richiedono spigoli significativi per convergere.
• Validazione sull'Acido Acetilsalicilico (ASA): Sia CrossAtt che Concat hanno ottenuto 10/10 predizioni corrette sui tipi di interazione ASA tenuti da parte, con CrossAtt che ha mostrato una maggiore confidenza. Il modello Ternary ha fallito completamente su questo set.
• Limiti Strutturali: Casi di fallimento coerenti sono stati identificati in tutte le architetture per sertralina (coinvolgente vie del trasportatore della serotonina) e probenecid (coinvolgente la competizione del trasportatore organico anionico renale). Questi fallimenti si allineano alle categorie "GAP-1" e "GAP-3" di uno studio companion sulla tossicità, indicando che i grafi strutturali 2D non possono codificare meccanismi dipendenti da vie di neurotrasmettitori o competizioni specifiche di trasportatori.
• Interpretabilità: I pesi dell'attenzione incrociata hanno evidenziato con successo atomi farmacologicamente rilevanti (ad esempio, il carbonio carbossilico nell'ibuprofene e l'anello aromatico nel warfarin), correlati con siti di legame e meccanismi noti.

Significato e Affermazioni
Il lavoro afferma di stabilire un chiaro principio di progettazione per i modelli di predizione delle DDI:

1. Necessità Architettonica: L'attenzione incrociata è un componente necessario per la classificazione del tipo di meccanismo, ma largamente non necessaria per lo screening binario delle interazioni. Architetture di concatenazione più semplici possono essere sufficienti per quest'ultimo, mentre il primo richiede una comunicazione esplicita atomo-atomo.
2. Validazione dei Limiti Strutturali: Lo studio fornisce evidenze cross-validate che le GNN 2D hanno limiti rappresentazionali intrinseci. I meccanismi che coinvolgono trasportatori specifici o vie di neurotrasmettitori (che mancano di correlati strutturali 2D diretti) non possono essere predetti indipendentemente dalla complessità architetturale.
3. Implicazioni per la Farmacovigilanza: Per la valutazione dei segnali secondo le Buone Pratiche di Farmacovigilanza (GVP), i modelli basati sulla struttura possono fornire plausibilità meccanicistica per interazioni mediate da caratteristiche strutturali, ma non possono sostituire altre evidenze per interazioni mediate da trasportatori o specifiche per vie metaboliche.
4. Stabilità dell'Addestramento: Il fallimento del modello Ternary suggerisce che i grafi di interazione espliciti richiedono embedding pre-addestrati stabili come inizializzazione per evitare instabilità nell'addestramento, offrendo una nota cautelativa per la futura ricerca sulle DDI basate su grafi.

Lo studio conclude che, sebbene l'attenzione incrociata sblocchi la capacità di predire come i farmaci interagiscono, i limiti fondamentali delle rappresentazioni molecolari 2D rimangono una barriera per specifici meccanismi biologici, una constatazione rafforzata dal fallimento coerente di tutte le architetture testate su sertralina e probenecid.