The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

Questo articolo sostiene che le scogliere di attività siano in gran parte artefatti della rappresentazione molecolare e della metrica scelte piuttosto che proprietà molecolari intrinseche, dimostrando attraverso un benchmark in sei fasi su quindici configurazioni che diversi embedding codificano aspetti distinti del riconoscimento molecolare, definendo così implicitamente ciò che costituisce una scogliera di attività.

L'essenziale

L'Idea Centrale: Non è la Montagna, è la Mappa

Immaginate di essere un escursionista che cerca di prevedere il terreno di una catena montuosa (il "Paesaggio di Attività"). Sapete che a volte, due escursionisti che si trovano molto vicini potrebbero trovarsi ad altitudini vastamente diverse: uno è su una vetta soleggiata, l'altro in una valle profonda e buia. In chimica, questo viene chiamato Activity Cliff (Scogliera di Attività): due molecole che sembrano quasi identiche ma hanno effetti biologici molto diversi.

Per molto tempo, gli scienziati hanno pensato che queste scogliere fossero semplicemente una caratteristica naturale delle molecole stesse.

Questo articolo sostiene che non è così. Gli autori affermano che vedere una scogliera o un pendio dolce dipende interamente da come si disegna la mappa.

Se si usa una mappa che misura la distanza "camminando attraverso i muri" (un metodo matematico specifico), due escursionisti potrebbero sembrare lontani. Se si usa una mappa che misura la distanza "volando in linea retta", quegli stessi esuriisti potrebbero sembrare proprio accanto l'uno all'altro. Il documento dimostra che la "scogliera" non è sempre nella molecola; a volte, è un'illusione creata dal righello che avete scelto per misurarla.

L'Esperimento: La Pipeline Investigativa in Sei Fasi

Per dimostrare questo, i ricercatori hanno costruito una "pipeline investigativa in sei fasi" per testare 15 tipi diversi di mappe (rappresentazioni) e righelli (metriche) attraverso tre diversi target biologici (come diversi tipi di serrature che le molecole cercano di aprire).

Ecco cosa hanno scoperto in ogni fase, tradotto in analogie:

1. La Trappola della "Distanza Zero" (Geometria)

• Il Test: Molecole diverse sembrano esattamente uguali sulla mappa?
• Il Risultato: Alcune mappe (come "ChemBERTa") sono così sfocate che quasi ogni molecola sembra trovarsi esattamente nello stesso punto. È come una mappa dove tutte le città sono disegnate sopra lo stesso puntino. Altre mappe (come i "Morgan fingerprints") sono nitide e distinte, ma trattano i gemelli 3D (stereoisomeri) come identici, anche se uno è un guanto sinistro e l'altro è un guanto destro.

2. La Caccia alla Scogliera (Arricchimento)

• Il Test: Se guardi le 100 coppie di molecole più simili tra loro, quante di esse sono effettivamente delle scogliere?
• Il Risultato: È qui che le mappe discordano selvaggiamente. Nello stesso dataset, una mappa ha trovato 1 tra le 142 scogliere, mentre un'altra ne ha trovate 7.903.
• La Metafora: È come cercare buche in una strada. Una mappa dice: "Non ci sono buche qui, solo una strada liscia". Un'altra dice: "È un campo minato!". La strada non è cambiata; è cambiata la mappa.

3. Il Controllo della "Ripidezza" (Gradienti)

• Il Test: Quanto sono improvvisi i cali nel paesaggio?
• Il Risultato: Alcune mappe mostrano un paesaggio composto principalmente da pendii dolci e regolari. Altre mostrano un paesaggio pieno di cadute improvvise e terrificanti. Curiosamente, il target "Dopamina D2" (una specifica proteina) sembrava avere un paesaggio naturalmente più accidentato rispetto agli altri, indipendentemente dalla mappa utilizzata.

4. Il Test dell'Isola (Topologia)

• Il Test: Le scogliere formano isole distinte o sono tutte ammassate in un unico grande ammasso?
• Il Risultato: Le buone mappe mostrano le scogliere come isole distinte, il che aiuta gli scienziati a capire perché esiste la scogliera (ad esempio: "Oh, tutto questo gruppo di molecole fallisce a causa di questa specifica forma"). Le mappe scadenti collassano tutto in un unico, confuso ammasso dove non è possibile distinguere nulla.

5. Il Gioco della Predizione (Machine Learning)

• Il Test: Un computer può imparare a predire le scogliere semplicemente guardando la mappa?
• Il Risultato: Se la mappa è sfocata (come la mappa "ChemBERTa"), il computer si confonde e indovina a caso. Se la mappa ha una struttura chiara, il computer può imparare i pattern. Questo ha confermato che la "scogliera" è una proprietà della geometria della mappa, non solo della biologia.

6. Il Controllo del "Mondo Reale" (Stereoisomeri e Coppie)

• Il Test: Hanno esaminato due scenari specifici del mondo reale:
  • Stereoisomeri: Molecole che sono immagini speculari (come mani destre e sinistre).
  • Coppie Corrispondenti (Matched Pairs): Molecole che differiscono solo per un minuscolo scambio chimico.
• Il Risultato:
  • I Fingerprint (mappe della vecchia scuola) sono terribili nel vedere le immagini speculari (pensano che la mano destra e quella sinistra siano la stessa cosa) ma ottimi nel vedere i piccoli scambi chimici.
  • Gli Embedding Appresi (mappe AI) sono bravi a vedere le immagini speculari ma a volte perdono di vista i piccoli scambi.
  • Conclusione: Nessuna singola mappa è perfetta in tutto.

Le Principali Conclusioni

1. Non esiste una "Migliore" Mappa
L'articolo conclude che non si può semplicemente scegliere un unico modo "migliore" per misurare le molecole.

• Se volete trovare scogliere tra molecole che sembrano molto simili (alta similarità), i Morgan fingerprints sono i migliori.
• Se dovete distinguere tra molecole destrorse e sinistrorse (stereochimica), MolFormer è l'unico che funziona bene.
• Se state cercando piccoli scambi chimici, i MACCS o i RDKit fingerprints sono i migliori.

2. La "Scogliera" è una Scelta
Quando uno scienziato dice: "Queste due molecole sono una scogliera di attività", in realtà sta dicendo: "Queste due molecole sono una scogliera di attività secondo la specifica mappa e il righello che ho scelto". Se si cambia la mappa, la scogliera può scomparire o apparire dal nulla.

3. La Regola del "Nessun Piatto Gratis"
Proprio come in economia, non c'è un "piatto gratis" in chimica. Non si può avere una mappa che sia perfetta nel vedere le immagini speculari, perfetta nel vedere i piccoli scambi e perfetta nel predire le scogliere tutto in una volta. Diverse mappe mettono in evidenza diverse caratteristiche del mondo molecolare.

Riassunto

Questo articolo è un avvertimento per gli scienziati: non fidatevi ciecamente della mappa. Il modo in cui scegliete di visualizzare e misurare le molecole cambia fondamentalmente la storia che raccontate su come esse funzionano. Per comprendere la vera natura di un farmaco, è necessario sapere attraverso quale "lente" state guardando, perché la lente stessa crea le scogliere che vedete.

Sommario tecnico

Riepilogo Tecnico: La Geometria delle Scogliere di Attività (Activity Cliffs)

Definizione del Problema

Le scogliere di attività (activity cliffs)—coppie di composti strutturalmente simili che esibiscono grandi differenze nella potenza biologica—sono ampiamente considerate caratteristiche intrinseche dei dataset chimici che definiscono i confini della prevedibilità nelle relazioni struttura-attività (SAR). Tuttavia, la definizione di una scogliera di attività è operativa, basandosi su due soglie definite dall'utente: un divario di potenza (tipicamente $\ge$ 1 log unit) e un limite di similarità strutturale.

Il problema centrale affrontato in questo lavoro è che la similarità strutturale non è una proprietà intrinseca di una coppia di molecole, ma una proprietà dello spazio metrico in cui le molecole sono incorporate. Di conseguenza, la scelta della rappresentazione molecolare (embedding) e della metrica di similarità determina fondamentalmente quali coppie qualificano come scogliere, quante ne esistono e se siano prevedibili. Gli autori sostengono che il campo si sia concentrato sui Morgan fingerprints con similarità di Tanimoto come standard predefinito, senza caratterizzare sistematicamente come diverse rappresentazioni organizzano il panorama dell'attività. Questa mancanza di studio sistematico porta a conclusioni sul panorama dell'attività che potrebbero riflettere la scelta della metrica piuttosto che la biologia sottostante.

Metodologia

Gli autori propongono una pipeline di analisi in sei fasi progettata per testare sistematicamente l'ipotesi che le scogliere di attività siano una convoluzione tra la geometria della rappresentazione e la biologia del target. Questa pipeline sonda proprietà geometriche distinte del panorama dell'attività, ordinate per scala e dipendenza logica. Il fallimento in una fase precedente rende le fasi successive non interpretabili.

La pipeline è stata applicata a quindici configurazioni (embedding, metrica) attraverso tre dataset di bioattività (SARS-CoV-2 Main Protease, Factor Xa e recettore della Dopamina D2), noti per le loro sfide legate alle scogliere di attività. Le configurazioni includevano:

• Fingerprint Classici: Morgan (raggio 2, 1024 bit), RDKit topologico e chiavi MACCS (166 bit).
• Embedding Appresi: MolFormer, ChemBERTa e Chemeleon (MPNN addestrato su descrittori Mordred).
• Metriche: Distanze di Tanimoto, Dice, Coseno, L1 e L2.

La Pipeline in Sei Fasi

1. Geometria delle Distanze a Coppia: Analizza la distribuzione delle distanze a coppia per identificare i limiti fondamentali. Le metriche includono la frazione di coppie a distanza zero ($p_0$), il coefficiente di variazione (CV) per l'intervallo discriminativo, il contrasto relativo (RC) e l'asimmetria dell'hubness ($S_{Nk}$) per rilevare problemi di affidabilità del vicinato.
2. Arricchimento delle Scogliere di Attività: Valuta la frazione cumulativa di scogliere ($F(n)$) tra le coppie più simili (top $n\%$). Una curva più bassa indica una migliore prestazione (meno scogliere tra le coppie simili). Il coefficiente di arricchimento $G$ quantifica l'entità della riduzione delle scogliere.
3. Distribuzione del Gradiente di Attività: Calcola l'indice del panorama struttura-attività (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$, per tutte le coppie. La distribuzione di questi gradienti viene adattata a una funzione di sopravvivenza di Kohlrausch–Williams–Watts (KWW) per determinare il parametro di forma $b$. $b=2$ indica un panorama liscio con code leggere (limite Rayleigh), mentre $b<2$ indica code pesanti e gradienti estremi frequenti.
4. Omologia Persistente del Subspazio delle Scogliere: Utilizza la filtrazione di Vietoris–Rips sulle molecole coinvolte nelle scogliere per tracciare le componenti connesse ($H_0$). La persistenza media ($\mu_{pers}$) e la persistenza massima ($p_{max}$) misurano la separazione topologica dei cluster soggetti a scogliere.
5. Sonde Geometriche della Struttura della Rappresentazione: Addestra classificatori (Regressione Logistica, XGBoost, reti Siamese) sulla differenza assoluta dell'embedding $|e_i - e_j|$ per predire l'esistenza di una scogliera. Le statistiche di gap ($\Delta_{lin}$ e $\Delta_{arch}$) caratterizzano la ricchezza lineare vs non lineare e l'interazione tra le feature dello spazio di embedding.
6. Benchmarking della Verità Chimica (Ground Truth): Valida le rappresentazioni rispetto a due sottopopolazioni strutturalmente definite, indipendenti dalla propria misura di similarità della pipeline:
   • Stereoisomeri: Coppie con grafi identici ma diverse configurazioni 3D.
   • Coppie Molecolari Corrispondenti (MMP): Coppie correlate da una singola trasformazione chimica.
   • Le prestazioni sono classificate in base al coefficiente di variazione (CV) della distribuzione delle distanze tra le coppie di scogliere all'interno di queste sottopopolazioni.

Risultati Chiave

1. Dipendenza della Rappresentazione dal Numero di Scogliere

La scelta della rappresentazione altera drasticamente il numero di scogliere di attività osservate. Sul dataset SARS-CoV-2, al 90% di similarità, il numero di coppie di scogliere identificate variava per un fattore di 55 tra le configurazioni:

• Morgan Tanimoto: 142 coppie.
• Chemeleon Cosine: 752 coppie.
• RDKit Dice: 7.903 coppie.
  Ciò dimostra che la "scogliera" di un dataset è in gran parte un artefatto geometrico della rappresentazione scelta.

2. Prestazioni per Tipo di Rappresentazione

• Morgan Tanimoto: Esibisce il più forte arricchimento delle scogliere ($G$) e la migliore generalizzazione cross-scaffold. La sua geometria è bimodale (distribuita Beta), organizzando lo spazio attorno all'identità dello scaffold. Tuttavia, soffre di una totale cecità stereochimica ($p_{0,stereo} = 100\%$).
• MolFormer Cosine: L'unica configurazione che dimostra una significativa sensibilità stereochimica (alto CV per gli stereoisomeri, $p_{0,stereo} = 0$). Codifica l'informazione degli stereocentri come variazione direzionale, rendendo la distanza coseno (sensibile alle differenze angolari) superiore a L1/L2.
• MACCS e RDKit Dice: Più sensibili alle trasformazioni delle coppie molecolari corrispondenti (MMP), raggiungendo il CV più alto per le MMP. Codificano efficacemente i pattern a livello di frammento, ma condividono la cecità stereochimica delle altre impronte digitali.
• ChemBERTa: Fallisce uniformemente in tutti i criteri a causa del "collasso dell'embedding". Produce distanze severamente concentrate (basso CV, alto hubness), risultando in uno spazio geometricamente degenere dove la maggior parte delle molecole appare simile indipendentmente dall'attività.
• Chemeleon: Produce la struttura topologica delle scogliere più ricca (alta persistenza) ma mostra una drammatica dipendenza dalla metrica; le distanze L1/L2 collassano topologicamente sul target Dopamina D2, mentre il Coseno mantiene la struttura.

3. Rugosità del Panorama a Livello di Target

L'analisi rivela differenze intrinseche nei panorami dei target indipendentemente dalla rappresentazione:

• SARS-CoV-2: Il panorama più liscio (valori di $b$ più alti, che si avvicinano al limite Rayleigh $b=2$).
• Factor Xa: Rugosità intermedia.
• Dopamina D2: Il panorama più rugoso. Nessuna configurazione ha raggiunto $b=2$ su questo target, indicando che le discontinuità strutturate persistono indipendentemente dall'embedding. Gli autori attribuiscono ciò alla flessibilità conformazionale dei GPCR e all'aggregazione di dati di saggio eterogenei in ChEMBL.

4. Non Ridondanza delle Fasi della Pipeline

Ogni fase ha rivelato modalità di fallimento invisibili alle altre. Ad esempio, RDKit ha mostrato un alto intervallo discriminativo (Fase 1) ma un scarso arricchimento delle scogliere (Fase 2) e code di gradiente pesanti (Fase 3). L'omologia persistente (Fase 4) ha rivelato collassi topologici in RDKit e Chemeleon che non erano stati pienamente catturati dalle statistiche di coppia.

Significato e Rivendicazioni

L'articolo sostiene che le scogliere di attività non sono proprietà intrinseche delle coppie di molecole, ma sono proprietà emergenti della coppia (embedding, metrica) scelta. Gli autori non propongono una singola "migliore" rappresentazione; piuttosto, sostengono che diverse rappresentazioni codifichino aspetti diversi e parzialmente non sovrapponibili del riconoscimento molecolare:

• I fingerprint eccellono nelle trasformazioni di scaffold e frammenti, ma falliscono nella stereochimica.
• Gli embedding appresi (specificamente con distanza Coseno) eccellono nella sensibilità stereochimica, ma possono mancare della specificità a livello di frammento tipica dei fingerprint per le MMP.
• Nessun "Free Lunch": Nessuna configurazione eccelle simultaneamente su tutti i criteri.

Il significato di questo lavoro risiede nel fornire un quadro per diagnosticare le proprietà geometriche dei panorami di attività. Suggerisce che selezionare una rappresentazione senza caratterizzarne la geometria porti a conclusioni che riflettono la metrica piuttosto che la biologia. Gli autori propongono di passare da un default universale (Morgan/Tanimoto) verso una selezione specifica per il compito:

• Usare Morgan Tanimoto per l'analisi SAR all'interno di serie strutturali.
• Usare MolFormer Cosine per compiti sensibili alla stereochimica.
• Usare MACCS/RDKit Dice per l'annotazione delle trasformazioni MMP.
• Usare Chemeleon Cosine per l'esplorazione topologica globale.

Infine, il paper suggerisce che la "rugosità" del panorama dell'attività di un target (ad esempio, la difficoltà intrinseca di predire l'attività della Dopamina D2) può essere identificata attraverso un consenso tra più rappresentazioni, distinguendo la complessità biologica dagli artefatti della rappresentazione.