The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

Dit artikel betoogt dat activity cliffs grotendeels artefacten zijn van de gekozen moleculaire representatie en metriek in plaats van intrinsieke moleculaire eigenschappen, waarbij wordt aangetoond door middel van een benchmark bestaande uit zes stappen over vijftien configuraties dat verschillende embeddings verschillende aspecten van moleculaire herkenning coderen, waardoor zij impliciet definiëren wat een activity cliff constitueert.

De kern

Het Grote Idee: Het is niet de Berg, het is de Kaart

Stel je voor dat je een wandelaar bent die probeert het terrein van een bergketen te voorspellen (het "Activiteitslandschap"). Je weet dat twee wandelaars die heel dicht bij elkaar staan, soms op een totaal ander hoogtepunt kunnen staan—de één staat op een zonnige piek, de ander in een diepe, donkere vallei. In de chemie wordt dit een Activiteitsklif (Activity Cliff) genoemd: twee moleculen die bijna identiek lijken, maar zeer verschillende biologische effecten hebben.

Lange tijd dachten wetenschappers dat deze kliffen een natuurlijk kenmerk van de moleculen zelf waren.

Dit artikel stelt dat dat onjuist is. De auteurs beweren dat of je een klif ziet of een geleidelijke helling, volledig afhangt van hoe je de kaart tekent.

Als je een kaart gebruikt die afstand meet door "door muren heen te lopen" (een specifieke wiskundige methode), lijken twee wandelaars misschien ver van elkaar verwijderd. Als je een kaart gebruikt die afstand meet door "in een rechte lijn te vliegen", lijken diezelfde wandelaars misschien vlak naast elkaar te staan. Het artikel bewijst dat de "klif" niet altijd in het molecuul zit; soms is het een illusie die wordt gecreëerd door de liniaal die je hebt gekozen om het te meten.

Het Experiment: De Zesstaps Detective-pipeline

Om dit te bewijzen, bouwden de onderzoekers een "zesstaps detective-pipeline" om 15 verschillende soorten kaarten (representaties) en linialen (metrieken) te testen over drie verschillende biologische doelwitten (zoals verschillende soorten sloten die de moleculen proberen te openen).

Hier is wat ze bij elke stap vonden, vertaald in analogieën:

1. De "Nul-Afstand" Valstrik (Geometrie)

• De Test: Zien verschillende moleculen er op de kaart exact hetzelfde uit?
• De Bevinding: Sommige kaarten (zoals "ChemBERTa") zijn zo wazig dat bijna elk molecuul lijkt te staan op exact dezelfde plek. Het is als een kaart waarop elke stad op hetzelfde punt is getekend. Andere kaarten (zo zoals "Morgan fingerprints") zijn scherp en duidelijk, maar behandelen 3D-tweelingen (stereoisomeren) als identiek, ook al is de één een linkerhandschoen en de ander een rechterhandschoen.

2. De "Klif-jacht" (Enrichment)

• De Test: Als je naar de 100 meest vergelijkbaar lijkende paren moleculen kijkt, hoeveel van hen zijn daadwerkelijk kliffen?
• De Bevinding: Dit is waar de kaarten wild van mening verschillen. Op dezelfde dataset vond één kaart 142 kliffen, terwijl een andere kaart er 7.903 kliffen vond.
• De Metafoor: Het is als het zoeken naar kuilen in de weg. De ene kaart zegt: "Er zijn hier geen kuilen, alleen een gladde weg." Een andere kaart zegt: "Het is een mijnenveld!" De weg is niet veranderd; de kaart wel.

3. De "Steilheid" Controle (Gradiënten)

• De Test: Hoe plotseling zijn de dalingen in het landschap?
• De Bevinding: Sommige kaarten tonen een landschap dat grotendeels glad is met zachte hellingen. Andere kaarten tonen een landschap vol plotselinge, angstaanjagende afgronden. Interessant genoeg leek het "Dopamine D2"-doelwit (een specifiek eiwit) een van nature ruwer landschap te hebben dan de anderen, ongeacht welke kaart werd gebruikt.

4. De "Eiland" Test (Topologie)

• ** De Test:** Vormen de kliffen duidelijke eilanden, of zijn ze allemaal samengesmolten tot één grote brij?
• De Bevinding: Goede kaarten tonen kliffen als afzonderlijke eilanden, wat wetenschappers helpt te begrijpen waarom de klif bestaat (bijv. "Oh, deze hele groep moleculen faalt door deze specifieke vorm"). Slechte kaarten laten alles instorten tot één verwarrende brij waar je niets meer van kunt onderscheiden.

5. Het "Voorspellings"-spel (Machine Learning)

• De Test: Kan een computer leren om kliffen te voorspellen door alleen naar de kaart te kijken?
• De Bevinding: Als de kaart wazig is (zoals de "ChemBERTa"-kaart), raakt de computer in de war en gokt hij willekeurig. Als de kaart een duidelijke structuur heeft, kan de computer de patronen leren. Dit bevestigde dat de "klif" een eigenschap is van de geometrie van de kaart, en niet alleen van de biologie.

6. De "Realiteit" Check (Stereoisomeren & Paren)

• De Test: Ze bekeken twee specifieke, reële scenario's:
  • Stereoisomeren: Moleculen die elkaars spiegelbeeld zijn (zoals linker- en rechterhanden).
  • Gelijke Paren (Matched Pairs): Moleculen die verschillen door slechts één kleine chemische aanpassing.
• De Bevinding:
  • Fingerprints (ouderwetse kaarten) zijn slecht in het zien van spiegelbeelden (ze denken dat links en rechts hetzelfde zijn) maar goed in het zien van kleine chemische aanpassingen.
  • Learned Embeddings (AI-kaarten) zijn goed in het zien van spiegelbeelden, maar missen soms de kleine chemische aanpassingen.
  • Conclusie: Geen enkele kaart is perfect in alles.

De Belangrijkste Conclusies

1. Er is geen "Beste" Kaart
Het artikel concludeert dat je niet zomaar één "beste" manier kunt kiezen om moleculen te meten.

• Als je kliffen wilt vinden tussen moleculen die er zeer vergelijkbaar uitzien (hoge gelijkenis), zijn Morgan fingerprints het best.
• Als je het verschil moet zien tussen links- en rechtshandige moleculen (stereochemie), is MolFormer de enige die goed werkt.
• Als je op zoek bent naar kleine chemische aanpassingen, zijn MACCS of RDKit fingerprints het best.

2. De "Klif" is een Keuze
Wanneer een wetenschapper zegt: "Deze twee moleculen zijn een activiteitsklif", zegt hij eigenlijk: "Deze twee moleculen zijn een activiteitsklif volgens de specifieke kaart en liniaal die ik heb gekozen." Als je de kaart verandert, kan de klif verdwijnen of uit het niets verschijnen.

3. De "No Free Lunch" Regel
Net als in de economie is er in de chemie geen "gratis lunch". Je kunt niet een kaart hebben die perfect is in het zien van spiegelbeelden, perfect in het zien van kleine aanpassingen én perfect in het voorspellen van kliffen tegelijkertijd. Verschillende kaarten benadrukken verschillende kenmerken van de moleculaire wereld.

Samenvatting

Dit artikel is een waarschuwing voor wetenschappers: Vertrouw de kaart niet blindelings. De manier waarop je moleculen visualiseert en meet, verandert fundamenteel het verhaal dat je vertelt over hoe ze werken. Om de ware aard van een medicijn te begrijpen, moet je weten door welke "lens" je kijkt, want de lens zelf creëert de kliffen die je ziet.

Technische samenvatting

Technische Samenvatting: De Geometrie van Activity Cliffs

Probleemstelling

Activity cliffs—paren van structureel gelijkaardige verbindingen die grote verschillen vertonen in biologische potentie—worden breed beschouwd als intrinsieke kenmerken van chemische datasets die de grenzen van voorspelbaarheid in structuur-activiteitsrelaties (SAR) definiëren. Echter, de definitie van een activity cliff is operationeel en rust op twee door de gebruiker gedefinieerde drempelwaarden: een potentiekloof (typisch $\ge$ 1 log eenheid) en een structurele gelijkenis-cutoff.

Het centrale probleem dat in dit werk wordt aangepakt, is dat structurele gelijkenis geen intrinsieke eigenschap is van een moleculaire paren, maar een eigenschap van de metrische ruimte waarin moleculen worden ingebed. Bij consequentie bepaalt de keuze van de moleculaire representatie (embedding) en de gelijkenis-metriek fundamenteel welke paren als cliffs kwalificeren, hoeveel er bestaan en of ze voorspelbaar zijn. De auteurs stellen dat het vakgebied is geconvergeerd naar Morgan fingerprints met Tanimoto-gelijkenis als standaard, zonder systematisch te karakteriseren hoe verschillende representaties de activiteitslandschappen organiseren. Dit gebrek aan systematische studie leidt tot conclusies over activiteitslandschappen die mogelijk de keuze van de metriek weerspiegelen in plaats van de onderliggende biologie.

Methodologie

De auteurs stellen een zesstaps-analysepipeline voor die is ontworpen om de hypothese systematisch te testen dat activity cliffs een convolutie zijn van de geometrie van de representatie en de doelgerichte biologie. Deze pipeline onderzoekt geometrisch onderscheidende eigenschappen van het activiteitslandschap, geordend op schaal en logische afhankelijkheid. Falen in een eerdere stap maakt opeenvolgende stappen oninterpreteerbaar.

De pipeline werd toegepast op vijftien (embedding, metriek) configuraties over drie bioactiviteitsdatasets (SARS-CoV-2 Main Protease, Factor Xa, en Dopamine D2 receptor), die bekend staan om hun uitdagingen op het gebied van activity cliffs. De configuraties omvatten:

• Klassieke Fingerprints: Morgan (radius 2, 1024 bits), RDKit topologisch, en MACCS keys (166 bits).
• Learned Embeddings: MolFormer, ChemBERTa, en Chemeleon (MPNN getraind op Mordred descriptoren).
• Metrieken: Tanimoto, Dice, Cosine, L1, en L2 afstanden.

De Zesstaps-Pipeline

1. Pairwise Distance Geometry: Analyseert de distributie van paarwijze afstanden om fundamentele beperkingen te identificeren. Metrieken zijn de fractie van nul-afstand paren ($p_0$), de coëfficiënt van variatie (CV) voor het discriminatieve bereik, relatieve contrast (RC), en hubness-skewness ($S_{Nk}$) om problemen met de betrouwbaarheid van de buren te detecteren.
2. Activity Cliff Enrichment: Evalueert de cumulatieve fractie van cliffs ($F(n)$) onder de top $n\%$ meest gelijkaardige paren. Een lagere curve duidt op betere prestaties (minder cliffs onder gelijkaardige paren). De enrichment-coëfficiënt $G$ kwantificeert de omvang van de cliff-depletie.
3. Activity Gradient Distribution: Berekent de Structure-Activity Landscape Index (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$, voor alle paren. De distributie van deze gradiënten wordt gefit aan een Kohlrausch–Williams–Watts (KWW) survival functie om de vormparameter $b$ te bepalen. $b=2$ duidt op een glad, licht-staartig landschap (Rayleigh ceiling), terwijl $b<2$ wijst op zware staarten en frequente extreme gradiënten.
4. Persistent Homology van de Cliff Subspace: Gebruikt Vietoris–Rips filtratie op cliff-betrokken moleculen om verbonden componenten ($H_0$) te volgen. Gemiddelde persistentie ($\mu_{pers}$) en maximale persistentie ($p_{max}$) meten de topologische scheiding van cliff-gevoelige clusters.
5. Geometric Probes van de Representatieve Structuur: Traint classificaties (Logistische Regressie, XGBoost, Siamese netwerken) op het absolute embedding verschil $|e_i - e_j|$ om de existentie van een cliff te voorspellen. Gap-statistieken ($\Delta_{lin}$ en $\Delta_{arch}$) karakteriseren de lineaire versus niet-lineaire en feature-interactierijkdom van de embedding ruimte.
6. Chemische Ground Truth Benchmarking: Valideert representaties tegenover twee structureel gedefinieerde subpopulaties die onafhankelijk zijn van de eigen gelijkenis-maatstaf van de pipeline:
   • Stereoisomeren: Paren met identieke grafen maar verschillende 3D-configuraties.
   • Matched Molecular Pairs (MMPs): Paren die gerelateerd zijn door een enkele chemische transformatie.
   • Prestaties worden gerangschikt op basis van de coëfficiënt van variatie (CV) van de afstand-distributie onder deze cliff-gevoelige subpopulaties.

Belangrijkste Resultaten

1. Afhankelijkheid van de Representatie van Cliff-aantallen

De keuze van de representatie verandert het geobserveerde aantal activity cliffs drastisch. Op de SARS-CoV-2 dataset bij 90% gelijkenis varieerde het aantal geïdentificeerde cliff-paren met een factor 55 over de configuraties:

• Morgan Tanimoto: 142 paren.
• Chemeleon Cosine: 752 paren.
• RDKit Dice: 7.903 paren.
  Dit demonstreert dat de "cliffiness" van een dataset grotendeels een geometrisch artefact is van de gekozen representatie.

2. Prestaties per Type Representatie

• Morgan Tanimoto: Vertoont de sterkste cliff-enrichment ($G$) en cross-scaffold generalisatie. De geometrie is bimodaal (Beta-verdeeld), waarbij de ruimte wordt georganiseerd rond scaffold-identiteit. Het lijdt echter aan volledere stereochemische blindheid ($p_{0,stereo} = 100\%$).
• MolFormer Cosine: De enige configuratie die een betekenisvolle stereochemische sensitiviteit vertoont (hoge CV voor stereoisomeren, $p_{0,stereo} = 0$). Het codeert stereocentrum-informatie als directionele variatie, waardoor de cosine afstand (gevoelig voor hoekverschillen) superieur is aan L1/L2.
• MACCS en RDKit Dice: Meest sensitief voor matched-molecular-pair (MMP) transformaties, waarbij de hoogste CV voor MMP's wordt bereikt. Ze coderen fragment-niveau patronen effectief, maar delen de stereochemische blindheid van andere fingerprints.
• ChemBERTa: Faalt uniform over alle criteria vanwege "embedding collapse". Het produceert sterk geconcentreerde afstanden (lage CV, hoge hubness), wat resulteert in een geometrisch degeneratieve ruimte waar de meeste moleculen gelijkaardig lijken ongeacht de activiteit.
• Chemeleon: Produceert de rijkste topologische cliff-structuur (hoge persistentie) maar vertoont een dramatische metriek-afhankelijkheid; L1/L2 afstanden laten een topologische instorting zien op de Dopamine D2 target, terwijl Cosine de structuur behoudt.

3. Target-niveau Landschap-ruwheid

De analyse onthult intrinsieke verschillen in target-landschappen, onafhankelijk van de representatie:

• SARS-CoV-2: Het gladste landschap (hoogste $b$-waarden, naderend de Rayleigh ceiling $b=2$).
• Factor Xa: Intermediaire ruwheid.
• Dopamine D2: Het ruigste landschap. Geen enkele configuratie bereikte $b=2$ op deze target, wat aangeeft dat gestructureerde discontinuïteiten blijven bestaan ongeacht de embedding. De auteurs schrijven dit toe aan de conformationele flexibiliteit van GPCR's en de aggregatie van heterogene assay-data in ChEMBL.

4. Niet-redundantie van de Pipeline-stappen

Elke stap onthulde faalmodi die onzichtbaar waren voor andere stappen. Bijvoorbeeld, RDKit vertoonde een hoog discriminatief bereik (Stap 1) maar een slechte cliff-enrichment (Stap 2) en zware gradiënt-staarten (Stap 3). Persistente homologie (Stap 4) onthulde topologische instortingen in RDKit en Chemeleon die niet volledig werden gevangen door paarwijze statistieken.

Betekenis en Claims

Het artikel claimt dat activity cliffs geen intrinsieke eigenschappen zijn van moleculaire paren, maar emergente eigenschappen van het gekozen (embedding, metriek) paar. De auteurs stellen geen enkele "beste" representatie voor; ze argumenteren eerder dat verschillende representaties verschillende, gedeeltelijk niet-overlappende aspecten van moleculaire herkenning coderen:

• Fingerprints blinken uit in scaffold en fragment-niveau transformaties, maar falen bij stereochemie.
• Learned embeddings (specifiek met Cosine afstand) blinken uit in stereochemische sensitiviteit, maar kunnen een gebrek hebben aan fragment-niveau specificiteit voor MMP's vergeleken met fingerprints.
• Geen "Free Lunch": Geen enkele configuratie excelleert simultaan op alle criteria.

De betekenis van dit werk ligt in het bieden van een framework om de geometrische eigenschappen van activiteitslandschappen te diagnosticeren. Het suggereert dat het selecteren van een representatie zonder de geometrie te karakteriseren, leidt tot conclusies die de metriek weerspiegelen in plaats van de biologie. De auteurs stellen voor dat het vakgebied moet bewegen van een universele standaard (Morgan/Tanimoto) naar taakspecifieke selectie:

• Gebruik Morgan Tanimoto voor SAR-analyse binnen structurele series.
• Gebruik MolFormer Cosine voor stereochemie-gevoelige taken.
• Gebruik MACCS/RDKit Dice voor de annotatie van MMP-transformaties.
• Gebruik Chemeleon Cosine voor globale topologische exploratie.

Ten slotte suggereert het paper dat de "ruwheid" van een target-landschap (bijv. de intrinsieke moeilijkheid om de Dopamine D2 activiteit te voorspellen) kan worden geïdentificeerd via consensus over meerdere representaties, waardoor biologische complexiteit wordt onderscheiden van representatie-artefacten.