Local structure-activity landscape roughness detects the activity-cliff failure mode that standard QSAR reliability methods miss

Sintesi Tecnica: Rugosità Locale del Paesaggio Struttura-Attività per l'Affidabilità delle QSAR

Definizione del Problema
I modelli di Relazione Struttura-Attività Quantitativa (QSAR) e gli approcci di deep learning si basano fondamentalmente sul principio di similarità molecolare: molecole strutturalmente simili possiedono proprietà simili. Tuttavia, le "attività a scogliera" (activity cliffs) — coppie di molecole strutturalmente simili con grandi differenze di potenza — rappresentano un'eccezione fondata in cui questo assunto fallisce. Recenti benchmark (ad es. MoleculeACE) confermano che i modelli di machine learning si comportano significativamente peggio sulle scogliere di attività rispetto ad altri composti.

Il problema critico è che gli standard stimatori di affidabilità per singolo composto non riescono a rilevare questi specifici modi di fallimento. Gli strumenti esistenti, inclusa la varianza dell'ensemble di Random Forest, le analisi dell'ambito di applicabilità (AD) basate sulla distanza, il modello di errore a tre misure di Sheridan e i metodi di affidabilità-densità-vicinato (RDN), sono tutti organizzati attorno al concetto di prossimità ai dati di addestramento. Poiché le scogliere di attività si verificano in regioni dense e ben campionate tra analoghi vicini, questi metodi basati sulla prossimità spesso riportano un'alta confidenza per i composti a scogliera, mancando efficacemente il fallimento.

Metodologia
Lo studio confronta gli standard stimatori di affidabilità con una nuova metrica: la rugosità locale del paesaggio struttura-attività.

• Dati: Le analisi sono state condotte sul benchmark MoleculeACE (30 target macromolecolari, ~48,7K misurazioni) e su benchmark fisico-chimici esterni (solubilità ESOL e lipofilia).
• Modelli: L'analisi primaria ha utilizzato Random Forests (200 alberi); Gradient Boosted Trees, Support Vector Regressors (RBF) e Graph Isomorphism Networks (GIN) sono stati utilizzati per controlli di generalità.
• Descrittori:
  • Baseline Standard: Varianza dell'ensemble, AD basato sulla distanza (1 - similarità di Tanimoto con il vicino più prossimo), modello di errore di Sheridan e un adattamento di regressione di RDN.
  • Metrica Proposta (Rugosità Locale): Una famiglia di funzionali calcolati dai vicini più prossimi del training set ($N_k$) senza utilizzare l'attività del query stesso. I descrittori chiave includono:
    • Dispersione dell'Attività del Vicinato ($D$): La deviazione standard delle attività tra i vicini.
    • Densità Pairwise-SALI ($S_{mean}$): La media di $|y_a - y_b| / \max(1-s_{ab}, \epsilon)$ su coppie di vicini.
    • Descrittori del Paesaggio: Varianti come l'energia di Dirichlet e le costanti di Lipschitz che utilizzano l'attività del query stesso (usate come limiti teorici piuttosto che segnali implementabili).
• Valutazione: Le prestazioni sono state misurate tramite l'area sotto la curva ROC-AUC per classificare i composti ad alto errore e segnalare le scogliere di attività etichettate. La significatività statistica è stata valutata tramite correlazioni di Spearman, correlazioni parziali (controllando l'AD) e modelli lineari a effetti misti.

Risultati Chiave

1. Rilevamento delle Scogliere di Attività: I metodi di affidabilità standard operano al livello del caso o peggio nell'identificare le scogliere di attività. Ad esempio, l'AD basato sulla distanza ha fornito un ROC-AUC di 0,35 (invertito), e la varianza dell'ensemble era al livello del caso (0,51). Al contrario, la rugosità locale ha raggiunto un ROC-AUC mediano di 0,69 per segnalare le scogliere.
2. Asse di Affidabilità Distinto: La rugosità locale è statisticamente distinta dall'ambito di applicabilità. Anche dopo aver controllato la similarità del vicino più prossimo e la densità locale tramite correlazione parziale e modelli a effetti misti, la rugosità rimane un predittore significativo dell'errore (ad es. la correlazione della dispersione del vicinato $\rho \approx 0,23$ dopo il controllo). Ciò conferma che la rugosità cattura un modo di fallimento (scogliere in regioni dense) che i metodi basati sulla prossimità non colgono.
3. Generalizzabilità: La relazione tra rugosità ed errore è rimasta costante attraverso diverse classi di modelli (Random Forest, Gradient Boosting, SVR) e diverse rappresentazioni molecolari (ECFP4, ECFP6, descrittori fisico-chimici). Il segnale si è riprodotto anche su benchmark fisico-chimici esterni (solubilità e lipofilia).
4. Triage Operativo: Sebbene la varianza dell'ensemble rimanga il segnale più forte per gli errori generali di previsione (recuperando il 38% degli errori del quartile superiore), essa fallisce nell'identificare le scogliere. La rugosità è il segnale superiore per le scogliere, recuperando il 33% delle scogliere etichettate nel top 20% dei composti segnalati, mentre la varianza opera al livello del caso (arricchimento di 1,0 volte).
5. Calibrazione della Predizione Conforme: Condizionare i predittori conformi alla rugosità locale ripristina la copertura valida sulle scogliere di attività. Il condizionamento standard sulla varianza o sull'AD lascia la copertura delle scogliere al di sotto del valore nominale (ad es. 86% vs 90% target). Un predittore Mondrian stratificato per rugosità ha mantenuto una copertura piatta attraverso l'intervallo di rugosità e ha elevato la copertura delle scogliere all'89,5%.

Significatività e Rivendicazioni
L'articolo sostiene che la rugosità locale del paesaggio fornisce un asse di affidabilità complementare per singolo composto che è distinto dalla distanza dai dati di addestramento. Il suo contributo primario non è sostituire la quantificazione dell'incertezza, ma aggiungere una specifica sensibilità al "modo di fallimento delle scogliere" che i metodi standard mancano sistematicamente.

Identificando le regioni in cui il paesaggio struttura-attività è "ruvido" (cambia bruscamente) basandosi esclusivamente sui vicini di addestramento, il metodo consente la costruzione di predittori conformi consapevoli delle scogliere (cliff-aware). Ciò garantisce che gli intervalli di previsione rimangano validi proprio dove i modelli QSAR sono più propensi a fallire e a sbagliare con alta confidenza. Gli autori sottolineano che questo approccio è pratico, riproducibile e implementabile senza richiedere il saggio del composto query, affrontando una lacuna critica nella fiducia degli strumenti di scoperta di farmaci computazionali.