Rethinking Molecular OOD Generalization via Target-Aware Source Selection

Technische Samenvatting: Nieuwe Benadering van Moleculaire OOD-Generalisatie via Doelbewuste Bronselectie

Probleemdefinitie
Het artikel adresseert de kritieke bottleneck van robuuste voorspelling van moleculaire eigenschappen onder extreme Out-of-Distribution (OOD) scenario's, een voorwaarde voor door AI aangedreven drugontdekking. De auteurs identificeren twee primaire falen in huidige paradigma's:

1. Evaluatiebias: Conventionele scaffold-splitsingsprotocollen (bijvoorbeeld in MoleculeNet) falen om "microscopische semantische overlap" te voorkomen. Zelfs wanneer testscaffolds verschillend zijn van trainscaffolds, delen moleculen vaak lokale substructuren (bijvoorbeeld geconjugeerde pi-systemen of waterstofbruggennetwerken). Dit stelt modellen in staat om spurious shortcuts te leren in plaats van overdraagbare fysisch-chemische invarianten, wat leidt tot een overschatting van generalisatievermogen.
2. Negatieve Transfer in Adaptatie: Standaard domeinadaptatiestrategieën aligneren heterogene bronbibliotheken blind met een ongelabeld doel. Onder extreme structurele verschuivingen injecteert deze globale alignering topologische ruis, wat "dimensiereductie" veroorzaakt (een drastische rangreductie in de covariantiematrix van de doelkenmerken) en ernstige negatieve transfer, waarbij de prestaties vaak slechter zijn dan wanneer er geen adaptatie wordt toegepast.

Methodologie
Om deze uitdagingen aan te pakken, stellen de auteurs een tweeledige aanpak voor: een rigoureuze benchmark en een nieuw adaptatiefraamwerk.

1. SCOPE-BENCH (Scaffold-cluster OOD Performance Evaluation Benchmark):

   • Constructie: Gebaseerd op het QM9-dataset, dwingt deze benchmark strikte metriekseparatie af. Het extrahert Bemis–Murcko-scaffolds en representeert deze via een vierdimensionale vector van fysisch-chemische descriptors (globale topologie, elementaire polariseerbaarheid, elektronendelokalisatie/rigiditeit en conformationele entropie).
   • Partitie: Scaffolds ondergaan hiërarchische clustering op basis van ringaantallen en fysisch-chemische kenmerken, waardoor 12 globaal disjuncte clusters worden gecreëerd met strikte Voronoi-grenzen in de chemische ruimte.
   • Protocol: Het dataset wordt asymmetrisch gepartitioneerd in bron-, validatie- en doeldomeinen. Cruciaal is dat het doeldomein volledig onzichtbaar is tijdens het trainen, en de splitsing garandeert dat geen substructurele interpolatie mogelijk is.

2. POMA (Policy Optimization for Multi-source Adaptation):
   POMA formuleert kennisoverdracht als een retrieve–compose–adapt pijplijn gedreven door een reinforcement learning policy.

   • Doelbewuste Proxyconstructie: Aangezien het echte doel ongelabeld is, construeert het framework "proxy-doelen" uit gelabelde bronscaffolds die topologisch vergelijkbaar zijn met het echte doel (gemeten via Morgan-vingerafdruk cosine-相似iteit en een "HubScore" om brede representativiteit te waarborgen).
   • Combinatorische Bronselectie (Retrieve & Compose):
     • Een kandidaatpool van brondomeinen wordt gerangschikt met behulp van Weisfeiler–Lehman (WL) grafkern-相似iteit gecombineerd met steekproefgrootte.
     • Een policy-netwerk (MLP) leert een optimale subset van bronnen uit deze pool te selecteren.
     • Optimalisatie: De selectiepolicy wordt getraind met Group Relative Policy Optimization (GRPO). In tegenstelling tot PPO elimineert GRPO de noodzaak van een apart Critic-netwerk en berekent het voordelen via intra-groep standaardisatie. Dit stelt de policy in staat om een exponentieel grote combinatorische ruimte te verkennen om synergetische bronsubsets te vinden zonder fragiele waarde-inschatting.
   • Dubbel-Schaal Gekoppelde Adaptatie:
     • In plaats van globale alignering, hanteert POMA een dubbel-schaal architectuur.
     • Macroscopisch: Aligneert topologische kenmerken van het hele molecuul.
     • Microscopisch: Aligneert farmacoforefragmenten afgeleid via BRICS-retrosynthetische splitsing.
     • Doel: De aligneringsverlies minimaliseert de distributieverschillen (via Deep CORAL) op beide schalen onafhankelijk, waardoor fijngestippelde chemische semantiek behouden blijft terwijl covariatenverschuiving wordt verminderd.

Belangrijkste Bijdragen

1. SCOPE-BENCH: Een rigoureuze OOD-benchmark die evaluatiebias veroorzaakt door substructurele overlap elimineert. Experimenten op deze benchmark onthullen dat state-of-the-art 3D-moleculaire modellen (ViSNet, ETNN, GotenNet) catastrofale prestatiedegradatie lijden (gemiddeld 5,9× toename in fout, tot 8,0×) vergeleken met standaard scaffold-splitsen.
2. POMA-framework: Een policy-gestuurd framework dat negatieve transfer overwint door dynamisch bronsubsets te selecteren en dubbel-schaal adaptatie uit te voeren. Het demonstreert dat broncompositie een kritieker determinant is voor extrapolatiesucces dan de keuze van de backbone-architectuur.
3. Empirische Validatie: Uitgebreide experimenten tonen aan dat POMA een gemiddelde relatieve verbetering van 6,2% en een reductie in Mean Absolute Error (MAE) van tot 11,2% bereikt over diverse backbones en taken (HOMO, LUMO, Gap), wat zijn plug-and-play universaliteit valideert.

Resultaten

• Benchmarkernst: Op SCOPE-BENCH leidt standaard supervised fine-tuning tot significante foutstijgingen, wat bevestigt dat huidige modellen geen echte OOD-extrapolatievermogen bezitten wanneer microscopische overlappingen worden verwijderd.
• Prestatieherstel: POMA herstelt consistent de prestaties over alle geteste architecturen. Bijvoorbeeld, op de HOMO-taak verlaagde het de MAE met 5,0% (ViSNet), 8,6% (ETNN) en 2,8% (GotenNet) vergeleken met de supervised baseline.
• Ablatie-inzichten:
  • Selectiepolicy: De op GRPO gebaseerde selectie presteert significant beter dan heuristische strategieën (random, shallow/deep feature matching, fysische descriptors), wat bevestigt dat statische相似iteitsmetrieken complexe structurele synergieën niet kunnen vangen.
  • Dubbel-Schaal Alignering: Het verwijderen van ofwel de macroscopische ofwel de microscopische aligneringsmodule zorgt ervoor dat de prestaties onder de supervised baseline dalen, wat bewijst dat zowel globale topologie als lokale farmacoforalignering noodzakelijk zijn om ruisinjectie te voorkomen.
  • Hyperparameters: Optimale prestaties worden bereikt met een kandidaatpoolgrootte ($M$) van 50 en een geselecteerde subsetgrootte ($K$) van 5, wat wijst op de noodzaak van een "kritieke massa" van complementaire bronnen om extreme distributieverschillen te overbruggen.

Betekenis
Het artikel betoogt dat het veld van moleculair machine learning voorbij standaard scaffold-splitsen moet gaan om de ernst van microscopische semantische overlap te erkennen. Het stelt dat doelbewuste bronselectie een voorwaarde is voor robuuste moleculaire adaptatie, vaak zwaarder weegt dan de impact van verbeteringen in backbone-architecturen. Door SCOPE-BENCH in te voeren, bieden de auteurs een realistische stress test voor OOD-generalisatie, en via POMA demonstreren ze dat intelligente, policy-gestuurde orchestration van brondomeinen negatieve transfer en dimensiereductie bij extreme structurele verschuivingen effectief kan mitigeren. Het werk suggereert dat toekomstige vooruitgang in drugontdekking-AI niet alleen afhankelijk is van betere encoders, maar van betere strategieën voor het cureren en aanpassen van heterogene kennisbronnen.