HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

Il cancro è raramente sconfitto da un'unica arma. Nel complesso panorama di un tumore, un singolo farmaco spesso colpisce un bersaglio che le cellule cancerose imparano rapidamente a aggirare, oppure danneggia il tessuto sano così gravemente che il trattamento deve essere interrotto. Per superare questo ostacolo, i medici si rivolgono frequentemente alla terapia combinata, utilizzando due o più farmaci contemporaneamente. L'obiettivo è trovare coppie che lavorino insieme in modo speciale: quando l'effetto combinato è maggiore della semplice somma dei loro effetti individuali. Gli scienziati chiamano questo fenomeno "sinergia". È la differenza tra due soldati che combattono una battaglia e due soldati che combattono come un'unica, inarrestabile unità. Tuttavia, trovare queste coppie potenti è un compito monumentale. Con migliaia di farmaci disponibili e centinaia di diversi tipi di cellule cancerose, il numero di possibili combinazioni è così vasto che testarle tutte in un laboratorio richiederebbe secoli e costerebbe miliardi di dollari.

Poiché il test fisico è così lento e costoso, i ricercatori si sono rivolti ai computer per agire come un filtro. Costruiscono modelli matematici per prevedere quali coppie di farmaci funzioneranno meglio insieme prima che venga mescolata una singola goccia di liquido in un laboratorio. Per anni, questi modelli informatici si sono basati su due tipi principali di informazioni: la struttura chimica dei farmaci e la costituzione genetica delle cellule cancerose. Ma questi modelli hanno avuto difficoltà a generalizzare. Spesso funzionano bene nel prevedere i risultati per farmaci e cellule che hanno già visto in precedenza, ma falliscono miseramente quando vengono interrogati per predire gli esiti di farmaci completamente nuovi o di nuovi tipi di cellule cancerose. La sfida è stata creare un sistema che non si limiti a memorizzare i risultati passati, ma che comprenda veramente come i farmaci e le cellule interagiscono in un modo che sia applicabile all'ignoto.

Un team di ricercatori dell'Università di Teheran e dell'Università Aalto in Finlandia ha proposto un nuovo approccio a questo problema, che chiamano HA-DMF. Il loro lavoro suggerisce che prevedere la sinergia tra farmaci non riguarda solo l'abbinamento di caratteristiche, come abbinare una chiave a una serratura, ma riguarda l'apprendimento dei modelli nascosti di interazione tra la coppia di farmaci e lo specifico ambiente cellulare. Per fare ciò, hanno costruito un sistema ibrido che combina due diversi modi di pensare. La prima parte del loro sistema osserva i dati grezzi degli esperimenti passati per apprendere le regole "latenti" o nascoste di come i farmoli si comportano insieme. La seconda parte introduce informazioni biologiche dettagliate sui farmaci e sulle cellule, utilizzando un tipo speciale di meccanismo di attenzione per decidere quali pezzi di informazione siano più importanti per una specifica situazione.

I ricercatori hanno testato il loro sistema su una vasta collezione di dati dal database DrugComb, che contiene i risultati di oltre 144.000 esperimenti farmacologici su 211 diversi tipi di linee cellulari cancerose. Hanno fornito al computer un tipo specifico di informazione sui farmaci: un'impronta digitale chimica dettagliata che mappa la forma della molecola, e una rappresentazione appresa che cattura il comportamento del farmaco basandosi su vastissime quantità di dati chimici non etichettati. Per le cellule cancerose, invece di utilizzare l'intero set rumoroso di istruzioni genetiche, hanno utilizzato un set compatto di segnali provenienti dai microRNA, che sono piccole molecole che agiscono come regolatori per il modo in cui i geni vengono attivati o disattivati. Questa scelta è stata deliberata; i ricercatori hanno scoperto che questi segnali regolatori più piccoli fornivano un quadro più chiaro dello stato della cella senza la confusione di troppi dati extra.

Il cuore della loro innovazione risiede nel modo in cui il computer elabora queste informazioni. Piuttosto che limitarsi ad accumulare tutti i dati, il sistema utilizza un modulo di "fattorizzazione di matrici profonde" (deep matrix factorization). Immaginate questo come un modo per organizzare la vasta storia degli esperimenti farmacologici in una mappa compatta di relazioni nascoste. Il computer impara a collocare i farmaci e le cellule in uno spazio condiviso dove quelli che si comportano in modo simile sono vicini tra loro. Ciò consente al modello di fare supposizioni istruite su nuove combinazioni basandosi sui modelli che ha già appreso. Ma il modello non si ferma qui. Utilizza meccanismi di attenzione direzionale per esaminare le specifiche caratteristiche chimiche dei farmaci e i segnali regolatori della cella. Si pone la domanda: per questo specifico farmaco in questa specifica cellula, quali dettagli chimici e quali segnali cellulari stanno effettivamente guidando la sinergia? Ciò consente al modello di adattare il proprio focus, pesando le informazioni più rilevanti per ogni scenario unico.

Quando i ricercatori hanno testato l'HA-DMF contro altri metodi leader, i risultati sono stati chiari. Nel test più standard, in cui il modello prevede i risultati per combinazioni di farmaci che non ha mai visto prima, ma dove i singoli farmaci e le cellule sono familiari, il nuovo modello ha raggiunto una correlazione di 0,832 con i risultati sperimentali reali. Questo era significativamente più alto del secondo miglior metodo, che ha ottenuto circa 0,70. Ancora più importante, il nuovo modello ha commesso meno errori macroscopici. Ha previsto la forza della sinergia con un errore medio di 5,7 punti, rispetto ai 7,35 del secondo miglior metodo. Questa precisione è fondamentale perché, nel mondo reale, una piccola differenza in un punteggio previsto può determinare se una coppia di farmaci sarà selezionata per costosi test di laboratorio o scartata.

I ricercatori hanno anche spinto il modello ai suoi limiti per vedere quanto bene potesse gestire situazioni veramente nuove. Hanno testato il sistema in scenari in cui intere coppie di farmaci erano nuove, dove intere linee cellulari erano nuove, e dove anche un singolo farmaco nella coppia non era mai stato visto prima. Come previsto, le prestazioni del modello sono diminuite man mano che i compiti diventavano più difficili, il che è un limite naturale di qualsiasi sistema predittivo. Tuttavia, l'HA-DMF ha comunque superato gli altri metodi nel classificare correttamente le combinazioni, anche quando non riusciva a prevedere i numeri esatti con alta precisione. Ciò suggerisce che il modello ha appreso una comprensione robusta delle regole di interazione che può trasferirsi in nuovi contesti.

Un esame più approfondito dei componenti del modello ha rivelato che ogni parte svolgeva un ruolo vitale. Quando i ricercatori hanno rimosso i modelli appresi dai dati grezzi, l'accuratezza del modello è scesa significamente, dimostrando che l'apprendimento dagli esperimenti passati è essenziale. Quando hanno rimosso le impronte chimiche o i segnali regolatori, anche la prestazione è calata, mostrando che i dettagli biologici forniscono il contesto necessario. Forse in modo sorprendente, quando hanno rimosso il meccanismo di "attenzione" che permette al modello di concentrarsi su dettagli specifici, i risultati sono peggiorati. Ciò ha confermato che la capacità di pesare selettivamente diversi pezzi di informazione non è solo un bonus, ma un requisito fondamentale per una previsione accurata. Il modello non tratta tutti i farmaci e le cellule allo stesso modo; impara ad ascoltare i segoli giusti per la situazione giusta.

Lo studio ha anche esaminato come il modello si comporta attraverso diversi livelli di interazione farmacologica. Ha funzionato molto bene nell'intervallo centrale, dove cadono la maggior parte delle combinazioni di farmaci, prevedendo accuratamente se avrebbero avuto un effetto debole o moderato. Tuttavia, come molti sistemi, tendeva a essere conservativo nel prevedere i casi più estremi. Quando una coppia di farmaci mostrava un effetto sinergico molto forte in laboratorio, il modello spesso prevedeva un effetto forte ma leggermente inferiore a quello effettivamente osservato. I ricercatori notano che questo è un esito più sicuro rispetto al contrario. Nella scoperta di farmaci, è meglio sottostimare leggermente una combinazione potente e investigarla ulteriormente, piuttosto che sovrastimare una debole e sprecare risorse in un vicolo cieco.

Il lavoro di Abbasi, Rousu e Gharaghani suggerisce un cambiamento nel modo in cui affrontiamo la scoperta di farmaci. Invece di vedere il problema semplicemente come l'abbinamento delle caratteristiche di un farmaco alle caratteristiche di una cellula, essi dimostrano che è più efficace trattarlo come un problema di apprendimento in cui il sistema scopre le regole nascoste di interazione. Combinando la capacità di apprendere dai dati passati con una profonda comprensione della struttura molecolare e della regolazione cellulare, l'HA-DMF offre uno strumento pratico per dare priorità a quali combinazioni di farmaci valga la pena testare. Sebbene non sia una soluzione magica in grado di prevedere ogni risultato perfettamente, fornisce una bussola affidabile per navigare nel vasto e complesso oceano dei possibili trattamenti oncologici, aiutando gli scienziati a concentrare i loro sforzi sulle combinazioni con maggiori probabilità di successo.