A Hybrid Grey Wolf Optimizer and Differential Evolution Wrapper for Descriptor Selection in QSAR Modelling

Sintesi Tecnica: Un Ottimizzatore Ibrido Grey Wolf e un Wrapper di Differential Evolution per la Selezione dei Descrittori nella Modellazione QSAR

Definizione del Problema
La modellazione Quantitative Structure–Activity Relationship (QSAR) soffre frequentemente della "maledizione della dimensionalità", in cui spazi di descrittori molecolari ad alta dimensione contenenti variabili ridondanti, irrilevanti e rumorose degradano l'accuratezza predittiva, gonfiano la varianza e oscurano l'interpretazione meccanicistica. Sebbene la selezione dei descrittori sia un prerequisito per modelli robusti, la natura combinatoria del compito ($2^n$ sottoinsiemi) rende la ricerca esaustiva computazionalmente proibitiva. Gli approoli metaeuristici esistenti, come il Grey Wolf Optimizer (GWO), soffrono spesso di convergenza prematura e intrappolamento in ottimi locali durante la navigazione in paesaggi multimodali ad alta dimensionalità. Inoltre, l'applicabilità di metaeuristiche ibride agli spazi dei descrittori chimici — che possiedono strutture uniche di variabili fisico-chimiche e di fingerprint miste — rimane poco esplorata.

Metodologia
Lo studio propone una strategia di selezione dei descrittori basata su wrapper che ibrida il Grey Wolf Optimizer (GWO) con il Differential Evolution (DE). I componenti centrali della metodologia includono:

• Meccanismo di Ricerca Ibrido: L'algoritmo integra la gerarchia di leadership esploitativa del GWO (guidata da lupi alfa, beta e delta) con gli operatori di mutazione e crossover esplorativi del DE. In ogni iterazione, viene calcolato un stimatore guidato dal GWO e viene generato un vettore mutante DE. Questi vengono combinati tramite crossover binomiale per formare un vettore di prova, permettendo all'algoritmo di bilanciare la rapida convergenza con la preservazione della diversità della popolazione.
• Mappatura Binaria: Poiché GWO e DE operano in spazi continui mentre la selezione dei descrittori richiede decisioni binarie (inclusione/esclusione), viene impiegata una funzione di trasferimento a forma di V ($T(p) = |\tanh(p)|$) per mappare le coordinate continue in probabilità di selezione. Questa funzione dipende dall'ampiezza della coordinata piuttosto che dal suo segno, evitando bias sistematici verso l'inclusione o l'esclusione.
• Funzione di Fitness: Un problema bi-obiettivo è scalarizzato tramite un'aggregazione pesata: $f(x) = \alpha \cdot \text{RMSE}_{cv}(x) + \beta \cdot (|x|/D)$. I pesi sono impostati a $\alpha = 0.85$ (accuratezza predittiva) e $\beta = 0.15$ (compattezza del sottoinsieme). La fitness è valutata utilizzando un apprenditore Ridge Regression con cross-validazione a 3 fold sul set di addestramento per prevenire l'overfitting.
• Protocollo Sperimentale: Il metodo è stato valutato su due benchmark pubblici: un dataset di solubilità acquosa (1.128 molecole, 710 descrittori) e un dataset di energia di idratazione libera (642 molecole, 680 descrittori). Tutte le configurazioni (baseline a descrittori completi, plain GWO, plain DE e Hybrid GWO–DE) sono state eseguite su cinque seed casuali indipendenti. Le prestazioni sono state misurate tramite $R^2$, RMSE e MAE su set di test tenuti separati, con la significatività statistica valutata tramite t-test accoppiati e test dei ranghi segnalati di Wilcoxon.

Contributi Chiave

1. Formulazione Algoritmica: Lo studio formula uno specifico wrapper ibrido GWO–DE adattato alla selezione dei descrittori QSAR, incorporando gli operatori DE all'interno del ciclo di aggiornamento GWO piuttosto che applicarli in fasi alternate.
2. Valutazione Contingente: Invece di asserire una superiorità universale, lo studio inquadra esplicitamente la selezione dei descrittori come un intervento contingente. Valuta il metodo attraverso due dataset contrastanti per determinare in quali condizioni (dimensione del campione, ridondanza dei descrittori) la selezione sia benefica.
3. Benchmarking Rigoroso: L'ibrido è confrontato con i suoi algoritmi costituenti e con una baseline a descrittori completi sotto identiche condizioni sperimentali, con una segnalazione trasparente della significatività statistica e della variabilità tra le esecuzioni.
4. Analisi della Stabilità: Un'analisi della stabilità dei descrittori identifica descrittori core riproducibili selezionati attraverso più esecuzioni, distinguendo segnali predittivi coerenti da artefatti stocastici.

Risultati

• Dataset di Solubilità Acquosa (Alta Ridondanza, Grande Campione):
  • Tutti i metodi wrapper hanno superato significativamente la baseline a descrittori completi ($R^2 = 0.771$).
  • L'ibrido GWO–DE ha raggiunto il valore medio più alto di $R^2$ sul test-set di 0.849 (RMSE 0.843) mantenendo 330 dei 710 descrittori (una riduzione del 54%).
  • Plain GWO e DE hanno entrambi raggiunto un $R^2 = 0.841$.
  • La migliore singola esecuzione dell'ibrido ha raggiunto un $R^2 = 0.870$.
  • Nota Statistica: Nonostante la superiore performance media dell'ibrido, i test statistici accoppiati (5 seed) hanno indicato che le differenze tra i wrapper non erano statisticamente significative ($p = 0.27$ rispetto a GWO; $p = 0.46$ rispetto a DE).
• Dataset di Energia di Idratazione Libera (Campione Più Piccolo):
  • La baseline a descrittori completi regolarizzata generalizzava già bene ($R^2 = 0.830$).
  • Nessun wrapper ha migliorato questa baseline. L'ibrido ha ottenuto $R^2 = 0.793$, GWO $R^2 = 0.785$ e DE $R^2 = 0.804$.
  • Il deficit dell'ibrido rispetto alla baseline era statisticamente discernibile ($p = 0.03$).
  • Le deviazioni standard tra le esecuzioni erano significativamente più alte su questo dataset (2–5 volte quelle del dataset di solubilità), attribuito alla dimensione minore della partizione di test.
• Convergenza e Costo: L'ibrido ha mostrato una rapida discesa iniziale seguita da un miglioramento nello stadio finale, superando il plain GWO (che si è stagnato) e il DE (che è convergito lentamente). Tuttavia, l'ibrido ha comportato un costo computazionale circa doppio per iterazione a causa del criterio di accettazione greedy che richiede la valutazione della fitness sia per il vettore di prova che per quello incumbent.

Significato e Rivendicazioni
Il paper conclude che il beneficio della selezione dei descrittori è contingente alle caratteristiche del dataset piuttosto che essere un default universale.

• Condizione di Successo: La selezione dei descrittori produce benefici chiari quando lo spazio dei descrittori è ridondante rispetto al segnale disponibile e la dimensione del campione è grande (come visto nel dataset di solubilità). In questi casi, la potatura rimuove il rumore e migliora la generalizzazione.
• Condizione di Fallimento: Quando la dimensione del campione è minore e un modello a descrittori completi regolarizzato generalizza già bene (come nel caso dell'idratazione), un'ulteriore potatura scarta la varianza utile e non migliora, o addirittura degrada, le prestazioni.
• Ruolo dell'Ibrido: Laddove la selezione è benefica, l'ibrido GWO–DE offre la migliore performance media, sebbene il suo margine rispetto agli operatori costituenti sia modesto e non statisticamente significativo su scala di cinque esecuzioni. Il valore primario dell'ibrido risiede nella sua capacità di bilanciare esplorazione ed esploitazione per trovare sottoinsiemi di alta qualità in spazi ridondanti.
• Implicazione Pratica: La selezione dei descrittori dovrebbe essere trattata come un intervento condizionale guidato dalle proprietà del dataset (dimensione del campione e ridondanza) piuttosto che come un passaggio di pre-processing di routine. Quando ha successo, fornisce benefici secondari inclusi la riduzione dei costi di deployment, un minor rischio di correlazione casuale e una più chiara interpretazione meccanicistica.

Gli autori dichiarano esplicitamente che la dimensione modesta del campione (cinque seed) limita il potere statistico di rilevare differenze tra i wrapper e che il lavoro futuro dovrebbe espandere l'ensemble e testare su apprenditori non lineari per validare ulteriormente questi risultati.