A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

Nella corsa alla scoperta di nuovi medicinali, gli scienziati affrontano una sfida imponente: l'universo delle possibili molecole farmacologiche è vastissimo, ma testarle tutte in un laboratorio è impossibile. Per orientarsi, i ricercatori utilizzano i computer per prevedere come una molecola si comporterà prima che venga sintetizzata anche una sola goccia. Questo processo si basa su un primo passo cruciale: tradurre la complessa forma tridimensionale di una sostanza chimica in un linguaggio che il computer possa leggere. Pensate a questa traduzione come alla conversione di un oggetto fisico in un codice a barre; il modo in cui quel codice è progettato determina quanto bene il computer possa comprendere le proprietà dell'oggetto, come ad esempio se si scioglierà in acqua, se attraverserà la barriera emato-encefalica o se causerà danni. Per anni, gli scienziati hanno dibattuto su quale sistema di "codice a barre" funzioni meglio, assumendo spesso che modelli informatici più complessi avrebbero automaticamente risolto il problema. Tuttavia, l'efficacia di queste previsioni dipende fortemente dalla qualità della traduzione iniziale, non solo dalla sofisticatezza del computer che la analizza.

Un team di ricercatori della National Tsing Hua University di Taiwan si è proposto di risolvere questo dibattito testando sistematicamente come diversi modi di codificare le strutture molecolari influenzino l'accuratezza della previsione. Si sono concentrati su due tipi distinti di architetture informatiche: una rete neurale standard, che funziona come un semplice decisore a strati, e un modello più avanzato basato su Transformer, un tipo di intelligenza artificiale originariamente progettata per comprendere il linguaggio umano e capace di pesare l'importanza di diverse parti di una frase simultaneamente. I ricercatori hanno fornito a entrambi i modelli una varietà di "codici a barre" molecolari, tra cui impronte digitali topologiche tradizionali che mappano le connessioni atomiche, codici basati su sottostrutture che identificano specifici gruppi chimici e rappresentazioni basate su stringhe che trattano le molecole come testo. Hanno addestrato questi sistemi su sette dataset ben noti che coprono compiti diversificati, dalla previsione della tossicità e della mutagenicità alla stima di quanto bene un farmaco possa penetrare la barriera emato-encefalica.

I risultati hanno offerto una guida pratica e chiara per il settore. Contrariamente all'assunto che il modello Transformer, più complesso, avrebbe costantemente superato la rete neurale più semplice, lo studio ha rilevato che il modello standard spesso otteneva un'accuratezza uguale o leggermente superiore nella maggior parte dei compiti. In effetti, la scelta del metodo di codifica molecolare si è rivelata molto più critica della scelta del modello informatico stesso. Ad esempio, nel compito di prevedere se una molecola sarebbe stata tossica, un tipo specifico di impronta digitale chiamato MACCS ha prodotto i risultati migliori per il modello semplice, mentre un'altra impronta chiamata FCFP ha funzionato meglio per il modello complesso. Ciò suggerisce che non esiste un unico codice "perfetto" per tutti i problemi chimici; il miglior approccio dipende interamente dalla specifica proprietà che si vuole prevedere. I ricercatori hanno inoltre convalidato le loro scoperte su dataset esterni, confermando che i loro modelli rimanevano robusti di fronte a nuovi dati mai visti, con punteggi di accuratezza media costantemente superiori a 0,9 in diversi compiti di classificazione biologica.

Oltre alle prestazioni pure, lo studio ha affrontato un ostacolo fondamentale dell'intelligenza artificiale: l'interpretabilità. Spesso, i potenti modelli di IA agiscono come "scatole nere", fornendo una risposta senza spiegare il perché. I ricercatori hanno dimostrato che il modello Transformer, pur non essendo sempre il più accurato, offre una finestra unica sul proprio ragionamento. Analizzando i pesi di "attenzione" interni del modello — che indicano su quali parti dell'input il computer si sia concentrato maggiormente — è stato possibile identificare le specifiche sottostrutture chimiche che guidano una previsione senza la necessità di strumenti di spiegazione esterni. In un caso di studio convincente che confrontava Morfina ed Eroina, il modello ha identificato correttamente che la presenza di gruppi ossidrilici (strutture contenenti ossigeno) nella Morfina la rendeva meno propensa a superare la barriera emato-encefalica rispetto all'Eroina, che ne è priva. Il modello ha assegnato un'attenzione maggiore a queste caratteristiche ossidriliche nella Morfina, rispecchiando le conoscenze chimiche consolidate. Questa capacità di evidenziare schemi chimicamente significativi suggerisce che questi modelli possono non solo prevedere gli esiti, ma anche aiutare gli scienziati a comprendere le ragioni struttali alla base di essi.

In definitiva, questo lavoro sposta l'attenzione dal semplice costruzione di modelli più grandi e complessi alla selezione attenta degli strumenti giusti per il compito da svolgere. I ricercatori hanno concluso che, sebbene le architetture avanzate come i Transformer offrano preziose intuizioni su come le molecole interagiscono, esse non garantiscono automaticamente previsioni superiori. Invece, la strategia più efficace consiste nell'abbinare il metodo di codifica molecolare specifico al compito di previsione e all'architettura del modello scelto. Dando priorità all'interpretabilità insieme all'accuratezza, questo approccio fornisce una via più fondata per la scoperta di farmaci, garantendo che i modelli informatici utilizzati per progettare medicinali salvavita siano non solo potenti, ma anche comprensibili e affidabili.