Unifying Disjoint Phenotypic Contexts: A Multimodal Soft Contrastive Approach to Identify DILI Activity Cliffs

技術要約：BioXMolによる、互いに素な表現型コンテキストの統合

問題提起
薬物誘発性肝障害（DILI）の予測は、創薬における極めて重要なボトルネックであり続けている。特に、「アクティビティ・クリフ（活性の崖）」と呼ばれる現象がその要因として挙げられる。これは、構造的には非常に類似しているにもかかわらず、安全性プロファイルが異なる（一方は安全で、他方は肝毒性を持つ）化合物ペアを指す。ECFP（拡張連結性フィンガープリント）や自己教師あり学習を用いた言語モデル（MoLFormer、ChemBERTaなど）といった従来の構造ベースの表現形式は、「化学構造が生物学的活性を決定する」という仮定に基づいているため、これらのクリフを区別することができず、結果としてこれらを予測できない。

形態学（モルフォロジー）やトランスクリプトミクスといった機能的な生物学的アウトプットを統合することは解決策となるが、現在のマルチモーダルなアプローチには2つの深刻な制限がある。

1. データの非重複性（Disjointness）: JUMP-CP（形態学）やLINCS L1000（トランスクリプトミクス）のような大規模な表現型データセットは、化合物集合がほとんど重なっていない。標準的な対照学習（コントラスティブ学習）は、すべてのサンプルに対して完全なトリプレット（分子＋形態学＋トランスクリプトミクス）を必要とするため、これらのデータセットを統合して利用することが困難である。
2. ハードネガティブの仮定: 標準的な対照的目的関数は、一致しないすべてのペアを等しく「ハードネガティブ（困難な負例）」として扱う。これは生物学的に見て不自然である。なぜなら、化学的に異なる分子であっても、重複する表現型反応を誘発する場合があるからである。これらの機能的に関連したペアを一律に罰すると、学習された埋め込み空間が歪み、生物学的な深刻度の連続的な勾配をモデルが学習することを妨げてしまう。

手法：BioXMol
著者らは、これらの制限を克服するために設計された3段階のトレーニングパイプラインを備えたマルチモーダル表現学習フレームワーク、BioXMolを提案する。

1. 非重複データの統合: 各生物学的モダリティを、独立したビューとして共有の分子アンカーに整合させることで、トリプレットを必須としない。これにより、利用可能なペアデータ（分子–形態学および分子–トランスクリプトミクス）の和集合上で事前学習を行うことが可能になる。
2. モーメンタム・ティーチャーを用いたソフト対照的目的関数: ハードネガティブの問題に対処するため、BioXMolは標準的なワンホット形式の負のターゲットを「ソフト」な対照的目的関数に置き換える。
   • アーキテクチャ: 本フレームワークは、モダリティ固有のエンコーダー（形態学およびトランスクリプトミクス用）と、共有の分子エンコーダーを利用する。決定的なのは、生物学的エンコーダーが「学生（student）」と「教師（teacher）」の両方のネットワークとしてインスタンス化されている点である。教師ネットワークは、学生の重みの指数移動平均（EMA）を通じて更新され、安定し、緩やかに進化する類似性のターゲットを提供する。
   • メカニズム: 前方向（分子 $\to$ 生物学）において、モデルは学生の予測と、教師の潜在空間から導出されたソフトターゲットとの間のクロスエントロピーを最小化する。これらのターゲットは、負の反発を化合物間の生物学的類似度によって重み付けする。もし2つの非一致化合物が同様の表現型反応を誘発する場合、それらは（全く異なる反応を示すものよりも）ペナルティを少なく受ける。逆方向（生物学 $\to$ 分子）では、一意の写像を保証するためにハードな同一性目的関数を保持する。
3. ダウンストリーム評価: 事前学習された分子エンコーダーを凍結し、順序ロジスティック回帰分類器（Frank–Hall分解）を用いた線形プロービングを通じて、順序付けられたDILI重症度ラベル（なし、軽度、重度）を予測する。

主な貢献
本論文は、主に4つの貢献を述べている。

1. マルチモーダル事前学習フレームワーク: BioXMolは、互いに素なデータセット（JUMP-CPおよびLINCS L1000）を用いて、分子構造を形態学およびトランスクリプトミクスデータと正常に整合させ、完全なペアのトリプレットを必要としない手法を実現した。
2. ソフト対照学習: モーメンタムベースの教師ネットワークを用いて、負のペアを生物学的類似度に基づいて重み付けし、すべての非一致ペアを等しく異なるとみなす硬直的な仮定を置き換えた。
3. アクティビティ・クリフ評価プロトコル: 標準的なスキャフォールド分割による交差検証は、毒性予測における表現の違いを検出するには不十分であることを著者らは示している。彼らは、臨床的に意味のある区別を明らかにするために、15個の保持されたアクティビティ・クリフ・ペアを用いた特定の評価プロトコルを導入した。
4. 目的関数の優位性の実証: 研究の結果、アクティビティ・クリフにおける性能向上は、単なるマルチモーダルな事前学習によるものではなく、具体的にはソフト対照的目的関数によって駆動されていることが示された。全く同じデータとアーキテクチャで訓練された「ハード」な対照学習ベースラインは、同様の結果を得ることはできなかった。

結果
評価により、グローバルな指標とアクティビティ・クリフの性能との間に顕著な乖離があることが明らかになった。

• グローバル性能（交差検証）: 標準的な5×5スキャフォールド分割交差検証において、BioXMol-Soft、BioXmol-Hard、および従来のECFPフィンガープリントは、ROC-AUC、Spearmanの$\rho$、および線形重み付き$\kappa$において統計的に区別がつかなかった（p > 0.05）。すべてが狭い性能帯に収束しており、事前学習された言語モデルは大幅に劣っていた。
• アクティビティ・クリフ性能: 保持された12組のアクティビティ・クリフ・ペア（構造は類似しているが、肝毒性が異なる化合物）で評価した場合：
  • BioXMol-Soft は 80.7% のペアランキング精度を達成した。
  • ECFP は 60.7% であった。
  • BioXMol-Hard（同じアーキテクチャでハードな対照損失を使用）は、51.0%（ランダムな確率）へと崩壊した。
  • 従来の言語モデルもランダムな確率に近い性能であった。
• 幾何学的解析: PCA投影によれば、安全な化合物と毒性のあるクリフ類似体のECFP埋め込みはほぼ重なっているのに対し、BioXMol-Softはこれらの距離を3〜4倍に引き伸ばし、毒性に関連する表現型の違いを幾何学的な変位として符号化している。

意義と主張
本論文は、ソフトな表現型整合が、毒性のクリフを正確に特定するために不可欠であると主張している。著者らは、集計的な指標（AUCなど）は、構造的に明確に異なる「容易な」化合物に支配されているため、臨床的に重要な差異を覆い隠してしまうと論じている。「ハード」な対照的仮定（一致しないすべてのものを等しく異なるとみなすこと）は、安全な薬とその毒性のある類似体を区別するために必要な方向性の勾配を破壊してしまう。負の反発を生物学的類似度に基づいて重み付けることで、BioXMolは生物学的応答の連続的な構造を保持している。

著者らは、評価プロトコルの選択が極めて重要であると結論づけている。標準的な交差検証はソフト対照学習の優位性を明らかにできないが、アクティビティ・クリフ評価は、微妙な構造変化を伴う創薬タスクにおける標準的なベンチマークに対する不可欠な補完となる。この研究は、対照的目的関数における生物学的勾配を尊重することの方が、単にマルチモーダルなデータを統合することよりもインパクトが大きいことを示唆している。