PredHLM: quantitative and interpretable prediction of metabolic half-life in human liver microsomes

Sintesi Tecnica: PredHLM – Predizione Quantitativa e Interpretabile dell'Emivita Metabolica in Microsomi Epatici Umani

Problematica
La stabilità metabolica nei microsomi epatici umani (HLM) è un determinante farmacocinetico critico che influenza l'esposizione sistemica, la clearance e la biodisponibilità orale. Sebbene i saggi sperimentali HLM siano il gold standard per valutare il metabolismo di Fase I, essi sono laboriosi e richiedono molte risorse, creando colli di bottiglia per lo screening virtuale su larga scala nella fase iniziale della scoperta di farmaci. I modelli computazionali esistenti soffrono spesso di tre limitazioni: (1) sono prevalentemente basati sulla classificazione (stabile vs instabile), mancando della granularità necessaria per l'ottimizzazione dei lead; (2) faticano a gestire il rumore sperimentale e l'eterogeneità intrinseci dei dataset pubblici, portando molti ricercatori a evitare la regressione quantitativa; (3) spesso funzionano come "black box", fallendo nel fornire approfondimenti chimici che si allineino con i noti siti metabolici vulnerabili (metabolic soft-spots). Di conseguenza, la predizione diretta, quantitativa e interpretabile dell'emivita continua ($T_{1/2}$) degli HLM rimane scarsamente esplorata.

Metodologia
Gli autori hanno sviluppato PredHLM, un framework di machine learning quantitativo progettato per predire direttamente l'emivita HLM.

• Curatela dei Dati: Lo studio ha integrato un dataset di 11.790 composti unici combinando dati interni della Korea Chemical Bank (KCB) con dati pubblici curati da ChEMBL (v36) e PubChem.
  • Gli endpoint sperimentali includevano l'emivita misurata e la percentuale rimanente a 30 minuti.
  • I valori della percentuale rimanente sono stati convertiti in emivita utilizzando un'equazione cinetica del primo ordine.
  • È stato applicato un rigoroso controllo di qualità: sistemi non HLM (es. epatociti, frazioni S9) sono stati esclusi, i dati censurati sono stati gestiti con limiti specifici e i composti duplicati sono stati mediati.
  • I dati sono stati trasformati in scala log10 per ridurre l'asimmetria, e gli outlier sono stati rimossi utilizzando il metodo dell'intervallo interquartile.
• Featurization (Rappresentazione Molecolare): Sono stati valutati quattro schemi di rappresentazione molecolare: fingerprint ECFP4 (2.048 bit), descrittori 2D di RDKit, descrittori Mordred e chiavi MACCS.
• Architetture dei Modelli: Sono stati messati a confronto nove algoritmi predittivi, tra cui multilayer perceptron (MLP), k-nearest neighbors (k-NN), kernel ridge regression (KRR), support vector machines (SVM) e metodi basati su alberi (Random Forest, LightGBM, XGBoost, CatBoost). Inoltre, sono stati testati una Communicative Message Passing Neural Network (CMPNN) e le sue varianti (con meccanismi di attenzione e concatenazione di feature).
• Addestramento e Valutazione:
  • Il dataset è stato suddiviso in un rapporto 9:1 tra set di addestramento e set di test indipendenti.
  • Gli iperparametri sono stati ottimizzati tramite cross-validazione a 5 fold utilizzando Optuna.
  • È stata impiegata una suddivisione basata sugli scaffold (framework di Bemis–Murcko) per valutare la generalizzazione a nuovi chemotipi strutturali, garantendo l'assenza di sovrapposizione di scaffold tra addestramento e test.
  • Dominio di Applicabilità (AD): L'affidabilità della predizione è stata valutata utilizzando un punteggio Sum of Distance-weighted Contribution (SDC) basato sulla similarità di Tanimoto con il set di addestramento.
  • Interpretabilità: Sono stati utilizzati gli Shapley Additive Explanations (SHAP) per quantificare il contributo delle feature e chiarire il processo decisionale del modello.
• Risultati Chiave:
• Performance del Modello: Il modello XGBoost utilizzando i descrittori 2D di RDKit ha ottenuto la migliore performance predittiva.
  • Sul set di test indipendente, ha prodotto un RMSE di 0,507 e un $R^2$ di 0,431.
  • In cross-validazione, ha ottenuto un RMSE di 0,515 e un $R^2$ di 0,410.
  • Sebbene i modelli basati su grafi (CMPNN) si siano dimostrati competitivi, non hanno superato il modello XGBoost basato su descrittori. Gli autori hanno mantenuto i descrittori 2D di RDKit per la loro parsimonia (~800 descrittori in meno rispetto a Mordred) e interpretabilità.
• Generalizzazione: Sotto la rigorosa suddivisione basata sugli scaffold, il modello ha mantenuto una performance robusta (RMSE del set di test indipendente di 0,536), indicando che si generalizza a nuovi chemotipi piuttosto che fare affidamento sulla memorizzazione di analoghi.
• Dominio di Applicabilità: L'analisi ha mostrato una forte correlazione tra il punteggio SDC e l'errore di predizione. I composti con punteggi SDC elevati (ben rappresentati nello spazio di addestramento) hanno mostrato un RMSE inferiore, con il top 8,9% dei composti che ha raggiunto un $R^2$ di 0,683.
• Benchmarking Esterno: Quando convertito in un compito di classificazione binaria (stabile se $T_{1/2} > 30$ min), PredHLM ha superato i modelli di riferimento (Ryu et al. e Shah et al.) in accuratezza (0,675), MCC (0,361) e ROC-AUC (0,736) su un set esterno di 969 composti.
• Interpretabilità (SHAP):
  • Lipofilia (MolLogP): Era la feature più influente, con una lipofilia più elevata che impatta negativamente l'emivita predetta (coerentemente con l'aumento dell'ossidazione mediata da CYP).
  • Siti Metabolici Vulnerabili (Metabolic Soft-spots): I descrittori per i gruppi metilici arilici, i siti di ossidazione allilica ed gli esteri hanno mostrato contributi negativi (riducendo la stabilità).
  • Caratteristiche Stabilizzanti: I conteggi di alogeni e i gruppi carbossilici hanno mostrato contributi positivi, allineandosi alle strategie per bloccare i siti metabolici e alla ridotta suscettibilità degli acidi all'ossidazione di Fase I in assenza di cofattori di Fase II.

Significatività e Rivendicazioni
Il paper sostiene che PredHLM fornisca un framework pratico per definire i margini di stabilità metabolica, supportando sia le decisioni rapide Go/No-go sia la priorità fine dei composti durante l'ottimizzazione del lead. Offrendo predizioni quantitative (emivita continua) anziché categoriche, il modello preserva le informazioni sulla stabilità che i modelli di classificazione scartano. Inoltre, l'integrazione dell'analisi SHAP assicura che il modello sia interpretabile, allineando le sue predizioni con i principi stabiliti della chimica medicinale riguardanti la lipofilia e i siti metabolici vulnerabili.

Gli autori posizionano esplicitamente PredHLM come uno strumento di supporto alle decisioni piuttosto che come un sostituto dei saggi sperimentali. Essi riconoscono i limiti, incluso il fatto che il modello dipenda dai dati di Fase I (escludendo la Fase II, i trasportatori e gli effetti in vivo), l'incertezza introdotta dalla conversione della percentuale rimanente in emivita e l'inerente variabilità dei dati sperimentali. Il codice sorgente, i dati e il modello addestrato sono resi pubblicamente disponibili per supportare la riproducibilità e lo sviluppo ulteriore.