Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction

Sintesi Tecnica: Augmentazione di Grafi di Conoscenza Farmacogenomica per la Predizione di DDI basata su GNN

Enunciato del Problema
Gli attuali approcci di Reti Neurali a Grafo (GNN) per la predizione delle interazioni farmaco-farmaco (DDI) si affidano esclusivamente a strutture molecolari codificate come grafi derivati da SMILES. Uno studio precedente in questa serie ha stabilito che le prestazioni del modello sono limitate da un "Soffitto Informativo" ($I(S, L)$), dove il contenuto informativo strutturale delle etichette di addestramento limita la capacità predittiva indipendentemente dalla complessità architettonica. Nello specifico, quando valutati su farmaci strutturalmente non visti (split a livello di farmaco), le prestazioni calano significativamente rispetto ai benchmark a livello di coppia, un divario che i soli raffinamenti strutturali non possono colmare. Questo studio indaga se l'incorporazione di conoscenze pregresse farmacogenomiche — nello specifico le relazioni tra gli enzimi del Citocromo P450 (CYP) dal database PharmGKB — possa parzialmente chiudere questo soffitto fornendo un contesto di pathway metabolico indipendente dalla struttura molecolare.

Metodologia
Lo studio propone un'architettura GNN aumentata da un Grafo di Conoscenza (KG) che integra esplicitamente le caratteristiche farmacogenomiche direttamente nell'embedding molecolare.

• Estrazione delle Caratteristiche: Le annotazioni per quattro isoforme CYP clinicamente rilevanti (CYP2D6, CYP3A4, CYP2C19, CYP2C9) sono state estratte da PharmGKB. Per ogni farmaco, è stato costruito un vettore binario a 12 dimensioni, che codifica i ruoli di substrato, inibitore e induttore per ciascuna isoforma. Questo vettore viene concatenato all'embedding molecolare. I farmaci non annotati ricevono un vettore nullo.
• Architettura: Il modello estende un protocollo di addestramento a due fasi derivato dal lavoro precedente.
  • Fase 1: Un encoder con cross-attention aumentato dal KG viene addestrato sulla combinazione dell'embedding molecolare e del vettore delle caratteristiche CYP. Questa fase è ottimizzata indipendentemente per la rilevazione di interazioni binarie e la classificazione del tipo di DDI.
  • Fase 2: I pesi della Fase 1 vengono congelati e viene addestrato un grafo di interazione fisica degli edge (che modella la complementarità dei legami a idrogeno e dell'interazione elettrostatica).
• Dataset e Split: Gli esperimenti hanno utilizzato il dataset SSI-DDI (38.337 coppie) e il benchmark Tox21 (8.014 composti). La valutazione è stata condotta sotto due strategie di split:
  • Livello di coppia (Pair-level): Assegnazione casuale delle coppie di farmaci (80% addestramento, 20% test).
  • Livello di farmaco (Drug-level): Il 20% dei farmaci unici viene trattenuto interamente, con tutte le coppie che coinvolgono questi farmaci assegnate al set di test per misurare la generalizzazione a composti non visti.
• Validazione: Composti rigorosamente esclusi (acido acetilsalicilico e warfarin) sono stati rimossi da tutti gli split di addestramento e valutazione per servire come casi di validazione meccanicistica.

Contributi Chiave

1. Pipeline delle Caratteristiche: Sviluppo di una pipeline che integra annotazioni di varianti cliniche, testi di linee guida e flag di relazione da PharmGKB in un vettore di caratteristiche CYP a 12 dimensioni per molecola.
2. Architettura Aumentata: Un design GNN che tratta le annotazioni farmacogenomiche come caratteristiche binarie esplicite concatenate agli embedding molecolari, preservando interpretabilità e compatibilità con architetture basate sulla struttura.
3. Valutazione Empirica: Un confronto rigoroso tra baseline basate solo sulla struttura e modelli aumentati dal KG sia sotto split di livello coppia che di livello farmaco, quantificando l'"inflazione dell'AUC" (il divario di prestazioni tra gli split) come metrica dei limiti di generalizzazione.
4. Estensione alla Tossicità: Applicazione della strategia di aumentazione al benchmark di tossicità multi-task Tox21 per investigare la dipendenza dell'effetto di aumentazione dalla copertura delle annotazioni.

Risultati

• Classificazione del Tipo di DDI: L'aumentazione KG ha prodotto miglioramenti sostanziali nella classificazione di specifici tipi di DDI sotto split di livello coppia. Il punteggio F1 macro-medio è aumentato da 0,241 (baseline solo struttura) a 0,532. Ciò suggerisce che i ruoli CYP codificano una variazione meccanicistica significativa rilevante per gli 86 tipi di interazione.
• Rilevazione di Interazioni Binarie: I miglioramenti sono stati marginali. L'AUC a livello di coppia è salita leggermente da 0,865 a 0,892, mentre l'AUC a livello di farmaco è scesa a 0,639. L'inflazione dell'AUC (differenza tra split coppia e farmaco) è rimasta alta a 0,224, comparabile al baseline di 0,250, indicando che il Soffitto Informativo per l'esistenza di interazioni binarie persiste.
• Validazione Meccanicistica: Su composti rigorosamente esclusi, l'aumentazione KG ha migliorato significativamente le probabilità di predizione per le interazioni mediate da CYP2C9 (ad esempio, la probabilità di Warfarin + Fluconazolo è aumentata da 0,033 a 0,586). Le interazioni mediate farmacodinamicamente (ad esempio, Warfarin + Ibuprofene) rimanevano rilevabili tramite sole caratteristiche strutturali.
• Estensione Tox21: Sul benchmark Tox21, l'aumentazione KG ha fornito un modesto miglioramento medio dell'AUC di +0,018 nonostante la bassissima copertura CYP (0,7%). Ciò conferma che l'effetto di aumentazione è contingente sulla copertura delle annotazioni. L'aggiunta di caratteristiche di dose ChEMBL (copertura 88%) non ha migliorato le prestazioni rispetto all'aumentazione CYP.
• Ridondanza degli Edge Fisici: A differenza del modello basato solo sulla struttura, l'aggiunta del raffinamento dell'edge fisico (Fase 2) al modello aumentato dal KG ha degradato le prestazioni (F1-macro sceso da 0,532 a 0,258 negli split di livello coppia). Ciò suggerisce una ridondanza informativa tra i priori CYP e gli edge di interazione derivati fisicamente.

Significato e Rivendicazioni
L'articolo conclude che la conoscenza pregressa farmacogenomica migliora la discriminazione di specifici tipi di DDI ma non supera il Soffitto Informativo fondamentale che limita la rilevazione di interazioni binarie e la generalizzazione a farmaci non visti. Lo studio valida che l'informazione strutturale da sola è insufficiente per certe predizioni meccanicistiche, ma anche ricchi priori farmacogenomici non possono risolvere completamente il soffitto quando l'informazione delle etichette manca di segnale strutturale.

I risultati supportano una transizione verso un framework multimodale per il lavoro futuro, sostenendo che le caratteristiche farmacogenomiche esplicite sono preferibili agli embedding latenti di grafi di conoscenza quando la qualità delle annotazioni è eterogenea. Gli autori identificano tre specifiche estensioni metodologiche per studi successivi:

1. Addestramento Congiunto: Addestrare un singolo encoder di Fase 1 per entrambi i task (binario e multi-classe) per prevenire la degradazione della capacità di classificazione del tipo quando i pesi vengono congelati per la Fase 2.
2. Codifica Pesata sull'Evidenza: Implementare uno schema di pesatura logaritmica per differenziare la qualità dell'annotazione (ad esempio, Livello 1A vs Livello 3) senza sacrificare la copertura.
   3.Confronto Diretto: Confrontare i vettori di caratteristiche espliciti con gli embedding latenti del KG (ad esempio, TransE, RotatE) sotto condizioni di copertura equivalente.

Lo studio enfatizza che i limiti osservati non sono dovuti alla capacità del modello ma al contenuto informativo inerente alle etichette di addestramento, rafforzando la necessità di fonti di dati complementari oltre la struttura molecolare.