テクニカル・サマリー：クラス不均衡下における薬物・標的相互作用予測のためのデータ拡張戦略のベンチマーク

1. 問題提起

薬物・標的相互作用（DTI）予測は、計算による創薬において極めて重要な要素であるが、極端なクラス不均衡と疎な相互作用行列という大きな課題に直面している。ベンチマークおよび実世界のデータセットにおいて、確認された正の相互作用は、可能な薬物・標的ペアのわずかな割合しか占めていない。このような条件下で学習されたモデルは、多数派クラス（非相互作用）に偏る傾向があり、その結果、真の相互作用に対する感度が制限され、性能評価を誤導する可能性がある。

データ拡張は、疎性と不均衡に対処するために頻繁に採用されているが、既存の文献には統一された評価フレームワークが欠けている。既存の研究では、多様な戦略（例：リサンプリング、生成モデル、行列分解）や、一貫性のない評価プロトコル（例：異なるデータ分割、リーク制御、負のサンプリング）が用いられており、これが手法間の比較可能性を制限し、特定の手法の堅牢性を不明瞭にしている。

2. 方法論

本研究は、14種類の異なるデータ拡張、リサンプリング、フィルタリング、および生成手法に関する制御されたベンチマーク分析を提示する。評価は、Yamanishiベンチマークの4つのタンパク質ファミリー（Enzyme、G-protein-coupled receptor (GPCR)、Ion Channel、Nuclear Receptor）を用いて実施された。

実験パイプライン

本研究では、交絡変数を排除するために設計された統一的な実験パイプラインを採用した。

• データ分割: 固定された層化5分割外部クロスバリデーションを使用した。各外部トレーニングフォールド内で、固定された層化80/20分割によって内部トレーニングおよび検証サブセットを定義した。
• リーク制御: 行列分解モデルは、内部トレーニングのラベルのみを使用して適合された。検証および外部テストのラベルは、行列分解の損失からマスクされ、拡張手順からも除外された。
• 表現学習: 潜在表現を生成するために、3つの行列分解バックボーンを利用した。
  1. Multiple Similarities Collaborative Matrix Factorization (MSCMF): グラフ・ラプラシアン正則化を介して、薬物および標的の類似性行列を組み込む。
  2. Non-negative Matrix Factorization (NNMF): 潜在因子を非負に制約する。
  3. Logistic Matrix Factorization (LMF): バイナリ相互作用確率を直接モデル化する。
  • 潜在次元は $k=50$ に固定された。薬物・標的ペアは、50次元の薬物埋め込みと標的埋め込みを結合した100次元のベクトルとして表現された。
• データ拡張戦略: 14の手法を、クラス分布をターゲット比率（非相互作用/相互作用の比率：50/50、80/20、85/15、90/10）に変更するために、内部トレーニングサブセットに対してのみ適用した。手法には以下が含まれる：
  • リサンプリング/クリーニング: Random Over-Sampling (ROS)、Random Under-Sampling (RUS)、Tomek Links、CNN + Tomek Links。
  • 合成オーバーサンプリング: SMOTE、Basic SMOTE、SMOTE + Tomek Links、ADASYN、k-Means SMOTE、Borderline-SMOTE。
  • 特徴量摂動: Noise Injection、Latent Sampling。
  • 生成モデル: Variational Autoencoders (VAE)、Wasserstein Generative Adversarial Networks with Gradient Penalty (WGAN-GP)、およびLatent Diffusion Models。
• ダウンストリーム分類: 拡張されたデータに対して、共通のディープニューラルネットワーク（DNN）アーキテクチャ（隠れ層：512–256–128、活性化関数：ReLU）を学習させた。
• 評価: 各構成について、DNNの確率的な学習を伴う10回の試行を行った。指標には、プールされたアウト・オブ・フォールド予測から算出されたAccuracy、Precision、Recall、F1-score、ROC-AUC、PR-AUCが含まれる。

3. 主な貢献

• 統一されたベンチマーク: 本研究は、リークのない単一の実験パイプラインを用いて、4つのタンパク質ファミリーに対する14の拡張戦略の制御された比較を提供している。
• 生成型 vs. 古典的手法: 現代的な生成アプローチ（WGAN-GP、VAE、Latent Diffusion）を、同一のフレームワーク内で古典的なリサンプリングおよび境界クリーニング手法と比較評価した。
• 表現依存性: 潜在表現（MSCMF、NNMF、LMF）の選択が、生成的な拡張手法とどのように相互作用するかを明示的に調査した。
• 比率への感受性: ターゲットクラスの分布の変化（50/50から90/10まで）がモデルの性能に与える影響を分析した。

4. 結果

結果は、単一の拡張手法やクラス比率が、すべてのタンパク質ファミリーや評価指標において支配的になることはないことを示している。

• 性能の変動:
  • Enzyme & Ion Channel: これらのファミリーは高いベースライン性能を示した。拡張なしのMSCMF構成は競争力があり、しばしば最高の拡張結果に匹敵、あるいは肉薄した。Enzymeにおいては、90/10の比率における k-Means SMOTE によって最高F1スコア（0.7824）が達成された。
  • GPCR & Nuclear Receptor: これらのファミリーはより大きな変動を示した。GPCRでは、Tomek Links（比率調整あり）の90/10設定が最高F1スコア（0.5833）をもたらした。Nuclear Receptorでは、Random Under-Sampling の90/10設定が最高F1スコア（0.3705）を達成した。
• 生成モデル: 生成手法（WGAN-GP、VAE、Latent Diffusion）は、F1スコアの観点において、古典的な手法を一貫して上回ることはなかった。
  • VAE は、GPCRにおいて最高のPR-AUCを達成した。
  • Latent Diffusion は、Nuclear Receptorにおいて最高のROC-AUCを達成した。
  • しかし、ランキング指標（ROC-AUC、PR-AUC）における利得が、必ずしもF1スコアの向上に直結するわけではなかった。
• 潜在表現の影響: バックボーンの選択は、生成的な性能に大きく影響した。WGAN-GPやVAEを使用した場合、MSCMFはNNMFやLMFよりも一貫して高いF1スコアを示した。これは、生成的な拡張が、より弱い基礎となる表現を補完することはできないことを示唆している。
• クラス比率の効果: 80/20および90/10の設定は、バランスの取れた50/50の設定よりも高いF1スコアを頻繁に示した。標準的なオーバーサンプリングは、精度を犠牲にして再現率を膨張させる傾向があったが、境界を意識したクリーニング（例：Tomek Links）は、いくつかの設定においてF1スコアを向上させた。

5. 意義と主張

本論文は、拡張の性能は、潜在表現、クラス比率、および評価指標と密接に関連していると主張している。

• 普遍的な解決策の不在: 本研究は、DTI予測において「万能な」拡張戦略は存在しないと結論付けている。手法の有効性は、特定のタンパク質ファミリーや選択された性能指標に強く依存する。
• ベースラインの競争力: 拡張なしのMSCMF構成は、特にEnzymeおよびIon Channelファミリーにおいて、依然として非常に高い競争力を維持している。これは、クラス分布の変更が自動的に分類性能の向上を保証するわけではなく、基礎となる表現の質こそが最も重要であることを示唆している。
• 評価プロトコル: 本研究は、観察された差異が拡張戦略によるものであり、実験的なアーティファクトによるものではないことを確実にするために、制御された評価プロトコル（固定された分割、リーク制御）の重要性を強調している。
• 生成AIに関する控えめな主張: 生成モデルの理論的な可能性を認めつつも、著者らは、生成モデルの複雑さを増しても、これらの特定の潜在DTI表現に対して、単純なリサンプリングや摂動手法を一貫して上回る改善をもたらすわけではないと控えめに述べている。

要約すると、本研究は、拡張戦略を独立した前処理ステップとして扱うのではなく、表現学習の手法およびクラス分布と併せて評価することを推奨している。