MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs

Dit paper introduceert MAP, een kennisgedreven raamwerk dat een groot kennisgrafiek en contrastief leren combineert om de reactie van cellen op ongeprofileerde medicijnen succesvol te voorspellen door biologische mechanismen te integreren in een uniek inbeddingsruimte.

De kern

Stel je voor dat je een enorme bibliotheek hebt met instructieboeken voor elke cel in je lichaam. Als je een medicijn neemt, is het alsof je een nieuwe "commando" in deze bibliotheek invoert. De vraag is: hoe reageren de cellen op dit nieuwe commando?

Vroeger moesten wetenschappers elk medicijn één voor één testen in het lab. Dat is duur, tijdrovend en er zijn miljoenen mogelijke medicijnen die we nog nooit hebben getest. Bestaande computerprogramma's konden alleen voorspellen hoe cellen reageren op medicijnen die ze al kenden. Als ze een nieuw medicijn zagen, raakten ze in paniek omdat ze het niet kenden.

MAP is een nieuwe, slimme manier om dit op te lossen. Het is als een super-intelligente detective die niet alleen kijkt naar wat er al in de boekenkast staat, maar ook begrijpt waarom medicijnen werken.

Hier is hoe MAP werkt, vertaald in alledaagse termen:

1. De Grote Kennisbibliotheek (MAP-KG)

Stel je voor dat je een enorme wereldwijde bibliotheek bouwt die alles verbindt.

• De boeken: Dit zijn medicijnen (187.000 stuks) en genen (23.000 stuks).
• De connecties: In plaats van alleen titels te lezen, kijkt MAP naar de verhaallijnen. Het weet bijvoorbeeld: "Medicijn A blokkeert dit specifieke eiwit in de cel, en dat eiwit is verantwoordelijk voor de energieproductie."
• De magie: MAP heeft 14 verschillende bronnen samengevoegd tot één grote "kennisnetwerk". Het weet niet alleen dat medicijn X bestaat, maar ook hoe het werkt, wat het doet met eiwitten, en welke ziektes het kan behandelen. Het is alsof je een detective bent die niet alleen de naam van een verdachte kent, maar ook zijn hele verleden, vrienden en motivaties.

2. De Vertaler (De Pre-training)

Nu heeft MAP een probleem: medicijnen worden beschreven met chemische formules (zoals een taal die alleen scheikundigen spreken) en genen met DNA-reeksen (een andere taal).

• De oplossing: MAP leert deze talen vertalen naar één gemeenschappelijke "gevoelstaal".
• De analogie: Stel je voor dat je twee mensen hebt die verschillende talen spreken. MAP is de tolk die leert dat "een sleutel die een slot opent" (een medicijn) en "een deur die opengaat" (een gen) eigenlijk hetzelfde concept zijn. Door dit te leren, begrijpt MAP dat medicijnen die op elkaar lijken (bijvoorbeeld omdat ze hetzelfde slot openen) waarschijnlijk ook op dezelfde manier op cellen werken, zelfs als ze nog nooit samen zijn getest.

3. De Voorspeller (Zero-Shot Learning)

Dit is het echte toverwerk. Stel je voor dat je een nieuw medicijn hebt dat nog nooit in een lab is getest.

• De oude manier: De computer zegt: "Ik heb dit nog nooit gezien, ik kan het niet voorspellen."
• De MAP-methode: MAP kijkt naar de structuur van het nieuwe medicijn en zegt: "Ah, dit medicijn lijkt op Medicijn B en werkt op hetzelfde eiwit als Medicijn C. Omdat ik weet hoe B en C cellen beïnvloeden, kan ik een heel goed idee vormen over wat dit nieuwe medicijn zal doen."
• Het resultaat: MAP kan voorspellen hoe een cel reageert op een medicijn dat het nog nooit heeft gezien. Het is alsof je een chef-kok bent die nog nooit een specifieke groente heeft geproefd, maar wel weet hoe die smaakt omdat hij weet dat het een soort van spinazie is en hoe spinazie op je smaakpapillen werkt.

Waarom is dit belangrijk?

1. Snellere medicijnontwikkeling: In plaats van jarenlang te experimenteren, kunnen artsen en wetenschappers nu duizenden nieuwe medicijnen "virtueel" testen op hun computer.
2. Nieuwe toepassingen voor oude medicijnen: MAP kan ontdekken dat een medicijn dat goed werkt tegen hoofdpijn, misschien ook goed werkt tegen een zeldzame kanker, omdat het op hetzelfde mechanisme werkt.
3. Kosteneffectief: Het bespaart enorme hoeveelheden geld en tijd door alleen de veelbelovende kandidaten daadwerkelijk in het lab te testen.

Kortom: MAP is geen simpele database die alleen feiten opslaat. Het is een slimme leermeester die de onderliggende logica van het leven begrijpt. Door deze logica te gebruiken, kan het de toekomst voorspellen voor medicijnen die we nog niet eens hebben uitgevonden. Het maakt het bouwen van een "virtuele cel" mogelijk die reageert op elke denkbare situatie, net als een echte cel.

Technische samenvatting

Probleemstelling

Het voorspellen van hoe cellen reageren op chemische verstoringen (perturbaties) is essentieel voor het bouwen van "virtuele cellen" en het versnellen van de geneesmiddelenontwikkeling. Echter, er bestaat een fundamentele asymmetrie: de chemische ruimte is enorm, maar experimenteel geprofileerde verbindingen dekken slechts een klein deel hiervan.

Bestaande modellen kampen met twee grote beperkingen:

1. Slechte generalisatie: Ze behandelen medicijnen vaak als geïsoleerde categorische ID's zonder hun biologische mechanismen te coderen. Hierdoor kunnen ze niet generaliseren naar medicijnen die niet in de trainingsdata voorkomen ("unprofiled drugs").
2. Gebrek aan mechanistisch inzicht: Zelfs als een medicijn bekend is, missen modellen vaak de connectie met gedeelde biologische mechanismen (zoals bindingsmodi of pathway-modulatie), wat extrapolatie naar nieuwe contexten bemoeilijkt.

Methodologie: Het MAP-framework

De auteurs stellen MAP (Mechanism-Aware Perturbation response predictor) voor, een raamwerk dat gestructureerde biologische kennis integreert in het modelleren van celresponsen. De aanpak bestaat uit drie hoofdblokken:

1. Constructie van MAP-KG (Knowledge Graph)

De auteurs hebben een groot-schaal biomedisch kennisgrafiek ontwikkeld, genaamd MAP-KG, die 14 openbare bronnen unificeert.

• Omvang: 187.089 medicijnen, 22.924 genen en 694.246 mechanistische relaties.
• Multimodale data: De grafiek koppelt niet alleen entiteiten, maar integreert diverse data-modi via tekstuele beschrijvingen (semantische brug):
  • Medicijnen: SMILES-structuren, namen, mechanismen van actie (MOA) en therapeutische functies.
  • Genen: Aminozuursequenties, functionele annotaties en pathway-betrokkenheid.
  • Relaties: Gerichte edges met tekstuele beschrijvingen van interacties (bijv. "inhibeert", "activeert").

2. Kennis-gedreven Pre-training

Om representaties te leren die mechanisme-bewust zijn, gebruiken ze een contrastieve pre-training strategie:

• Modality-specific Encoders: Ze gebruiken gespecialiseerde modellen voor elke data-typ:
  • Tekst: BioBERT voor natuurlijke taalbeschrijvingen.
  • Moleculen: MoleculeSTM voor SMILES-structuren.
  • Eiwitten: ESM-2 voor aminozuursequenties.
• Contrastief Leren: De encoders worden getraind om heterogene attributen (bijv. een SMILES-string en de bijbehorende MOA-tekst) in een gedeelde embedding-ruimte te aligneren. Ook worden relationele contexten (drug-gene interacties) meegenomen via een relation-conditioned composition functie.
• Doel: Het creëren van transferable embeddings waarbij medicijnen met vergelijkbare mechanismen dicht bij elkaar liggen in de vectorruimte, ongeacht of ze eerder in transcriptiedata zijn gezien.

3. Voorspelling van Perturbatie-Respons

De kennis-informeerde embeddings worden gekoppeld aan een voorgeprogrammeerd single-cell foundation model (STATE SE-600M):

• De ongeverstoorde celtoestand wordt gecodeerd door het foundation model.
• De kennis-informeerde medicijn-embeddings (geschaald op dosis) en gen-embeddings worden gefuseerd met de celtoestand.
• Een Transformer-encoder voorspelt de verstoorde cel-embeddings, die vervolgens worden gedecodeerd naar een voorspelde genexpressie-profiel.
• Het model wordt getraind met een dual-space supervisie: zowel op het niveau van de expressie-data als op het niveau van de latent embeddings van het foundation model.

Kernbijdragen

1. MAP-KG: Een tot nu toe ongeëvenaard groot, op perturbaties gericht kennisgrafiek dat multimodale biologische kennis harmoniseert.
2. Zero-shot Generalisatie: Het vermogen om transcriptie-responsen te voorspellen voor medicijnen die nooit in de trainingsdata zijn gezien (geen enkele transcriptie-meting beschikbaar), puur gebaseerd op hun chemische structuur en biologische annotaties.
3. Integratie van Kennis en Foundation Models: Een nieuwe paradigma waarbij gestructureerde biologische kennis dient als een inductieve bias voor foundation models, wat de generalisatie verbetert zonder de basisarchitectuur te vervangen.

Resultaten

Het model werd geëvalueerd op drie grote datasets (Tahoe-100M, OP3, SciPlex3) onder twee strenge zero-shot protocollen:

1. Ongeziene Celtype-Medicijn Combinaties:

   • MAP presteerde significant beter dan state-of-the-art baselines (zoals CRISP, chemCPA, PRnet).
   • Op Tahoe-100M verbeterde MAP de Pearson delta correlatie voor top-50 differentieel tot expressie (DEG) met +13,3% ten opzichte van de beste baseline.
   • De richting-accuraatheid (up/down-regulatie) steeg met 13,5%.

2. Ongeziene Medicijnen (Unprofiled Drugs):

   • Dit is de strengste test: medicijnen die volledig afwezig zijn in de trainingsdata.
   • MAP verbeterde de Pearson delta correlatie met +12,2% op Tahoe-100M en +10,4% op SciPlex3.
   • Zelfs voor medicijnen zonder enige transcriptie-data in de training, kon MAP nauwkeurige voorspellingen doen op basis van hun chemische en mechanistische eigenschappen.

3. Functionele Interpretatie en Screening:

   • Via Geneset Enrichment Analysis (GSEA) bleek MAP coherent, mechanisme-consistente pathways te voorspellen.
   • In een in-silico screening van 58 kandidaat-medicijnen voor longkanker (A-549 cellen), prioriteerde MAP 4 van de 5 klinisch goedgekeurde anti-kanker medicijnen (o.a. Adagrasib en Afatinib) binnen de top 15, ondanks dat deze medicijnen niet in de training waren gebruikt.

4. Ablatie Studies:

   • De prestaties schalen monotoon met de hoeveelheid kennis (van geen kennis -> MoleculeSTM -> PrimeKG -> MAP-KG).
   • Het verwijderen van specifieke kennis-categorieën (zoals drug-gene edges) leidt tot een significante daling in prestaties, wat bewijst dat de mechanistische relaties cruciaal zijn.

Significantie

Dit werk markeert een verschuiving in de AI-gedreven geneesmiddelenontwikkeling:

• Van Data-Driven naar Kennis-Gedreven: Het toont aan dat het integreren van gestructureerde biologische kennis een krachtige, kostenefficiënte aanvulling is op het simpelweg vergroten van datasets of modelgrootte.
• Virtuele Screening: Het biedt een haalbare route voor in-silico screening van nieuwe chemische entiteiten voordat fysieke experimenten plaatsvinden, wat kosten en tijd in de vroege fase van drug discovery drastisch kan reduceren.
• Robuustheid: Het bewijst dat modellen robuust kunnen generaliseren naar volledig nieuwe contexten en medicijnen, wat een cruciale stap is naar het realiseren van betrouwbare "virtuele cellen".

Samenvattend biedt MAP een nieuwe standaard voor het voorspellen van celresponsen, waarbij het de kloof overbrugt tussen beperkte experimentele data en de enorme chemische ruimte door gebruik te maken van een diep geïntegreerd biologisch kennisnetwerk.