vToxiNet: a biologically constrained deep learning framework for interpretable prediction of drug-induced hepatotoxicity

In dit artikel wordt vToxiNet voorgesteld, een biologisch beperkt deep learning-framework dat chemische, assay- en transcriptomische data integreert met Reactome-padhiërarchieën om voorspellende nauwkeurigheid en mechanistische interpreteerbaarheid voor drug-geïnduceerde hepatotoxiciteit te combineren.

De kern

De "Virtuele Leverwacht": Hoe AI de Levensreddende Kracht van Geneesmiddelen Test

Stel je voor dat je een nieuwe medicijnontwikkelaar bent. Je hebt een prachtige nieuwe pil ontworpen die een ziekte kan genezen. Maar voordat je deze aan mensen kunt geven, moet je zeker weten dat hij je lever niet vernietigt. De lever is immers de "afvalverwerker" van je lichaam; als die het begeeft, is het raak.

Vroeger deden we dit door duizenden proefdieren te gebruiken. Dat is duur, duurt lang en ethisch gezien niet ideaal. Soms werken de resultaten bij dieren ook niet goed voor mensen. Vandaar dat wetenschappers op zoek zijn naar slimme, digitale alternatieven.

Hier komt vToxiNet om de hoek kijken. Dit is geen gewone computerprogramma, maar een soort "virtuele leverwacht" die is gebouwd door onderzoekers van onder andere de Tulane University.

Hoe werkt dit? De Analogie van de Fabriek

Stel je een enorme, complexe fabriek voor (de lever) waar chemische stoffen worden verwerkt.

1. De Gewone AI (De "Zwarte Doos"):
   De meeste huidige computerprogramma's die toxiciteit voorspellen, werken als een zwarte doos. Je gooit een chemische formule erin, en het programma geeft een ja/nee-antwoord. Maar je weet niet waarom. Het is alsof een machine zegt: "Deze auto is gevaarlijk," zonder te vertellen of het de remmen, de banden of de motor zijn. Voor artsen en regelgevers is dat niet genoeg; ze willen weten waarom iets gevaarlijk is.

2. vToxiNet (De "Gebouwde Blauwdruk"):
   vToxiNet is anders. De onderzoekers hebben de AI niet vrij gelaten om alles zelf te bedenken. In plaats daarvan hebben ze de AI een fysieke blauwdruk gegeven die precies lijkt op hoe een echte lever werkt.

   • De Invoer: De AI kijkt naar de bouwstenen van het medicijn (de chemische structuur).
   • De Moleculaire Deuren: Vervolgens kijkt de AI of het medicijn aan bepaalde "deuren" in de cel kan plakken (receptoren). Dit is het begin van de ketenreactie.
   • De Signaalnetwerken: Als een deur open gaat, sturen de cellen signalen naar hun kern (de genen). vToxiNet volgt deze signalen door een digitaal netwerk dat is opgebouwd uit echte biologische kennis (de Reactome-database).
   • De Uitvoer: Uiteindelijk ziet de AI of deze ketenreactie leidt tot een "brand" in de lever (toxiciteit).

Waarom is dit zo slim?

Het grote geheim van vToxiNet is dat het biologische kennis in de architectuur van de AI heeft verwerkt.

• Het is geen raadsel: Omdat de AI is opgebouwd als een biologisch netwerk, kan het niet zomaar een willekeurig antwoord geven. Het moet de logica van de lever volgen.
• Het is een detective: Als vToxiNet zegt: "Deze pil is gevaarlijk," kan het ook vertellen: "Het is gevaarlijk omdat het een specifieke route in de lever activeert die leidt tot oxidatieve stress." Het kan zelfs de specifieke genen aanwijzen die de boosdoener zijn.
• Het leert van data: De AI is getraind met enorme hoeveelheden data: chemische structuren, tests in het lab, en zelfs hoe menselijke cellen reageren op geneesmiddelen (genenexpressie).

Wat hebben ze ontdekt?

De onderzoekers hebben vToxiNet getest op duizenden medicijnen.

• De resultaten: De AI voorspelde net zo goed (en soms beter) dan traditionele methoden welke medicijnen de lever zouden kunnen beschadigen.
• De verklaring: Het belangrijkste was dat het model uitlegbaar was. Voor medicijnen die bekend stonden als levergiftig, kon vToxiNet precies de biologische weg traceren die leidde tot de schade. Het kon zelfs nieuwe medicijnen analyseren die de AI nog nooit had gezien, en toch een goed oordeel vellen.

De Conclusie

vToxiNet is als een digitale proefpersoon die niet alleen zegt "ja, dit werkt" of "nee, dit werkt niet", maar ook een gedetailleerd rapport schrijft over waarom het werkt of faalt.

Dit is een enorme stap voorwaarts voor de geneeskunde. Het betekent dat we in de toekomst medicijnen sneller, veiliger en ethischer kunnen testen, zonder afhankelijk te zijn van dierproeven, en met een veel beter begrip van wat er in ons lichaam gebeurt. Het is een brug tussen de complexe wereld van de biologie en de kracht van moderne kunstmatige intelligentie.

Technische samenvatting

Probleemstelling

Hepatotoxiciteit (levertoxiciteit) blijft een van de belangrijkste oorzaken voor het mislukken van geneesmiddelen in klinische trials en voor het terugtrekken van goedgekeurde medicijnen van de markt. Traditionele methoden voor toxiciteitsbeoordeling, zoals dierproeven, hebben beperkingen wat betreft vertaalbaarheid naar de mens, ethische bezwaren en hoge kosten. Hoewel er nieuwe benaderingsmethodieken (NAMs) zijn ontwikkeld, zoals high-throughput screening (HTS) en computationele modellen, vertonen bestaande machine learning-modellen voor hepatotoxiciteit twee grote tekortkomingen:

1. Ze vertrouwen vaak uitsluitend op chemische structuren (QSAR-modellen) en negeren de rijkdom aan biologische data.
2. Ze functioneren als "black boxes" (bijv. diepe neurale netwerken zonder structuur), wat betekent dat ze geen inzicht bieden in de onderliggende mechanismen van toxiciteit. Dit beperkt hun bruikbaarheid voor reguliere besluitvorming en risicokarakterisering.

Er is dus een dringende behoefte aan modellen die niet alleen nauwkeurig voorspellen, maar ook mechanistisch interpreteerbaar zijn en biologische kennis integreren.

Methodologie: vToxiNet

De auteurs introduceren vToxiNet (virtual toxicity network), een diep leerframework dat biologische kennis direct in de architectuur van het neurale netwerk verwerkt. Het model volgt het concept van Adverse Outcome Pathways (AOPs), waarbij een chemische stof een moleculair initierend evenement (MIE) veroorzaakt, wat leidt tot een cascade van cel- en pathway-level gebeurtenissen en uiteindelijk tot een nadelig effect (leverbeschadiging).

Data-integratie:
Het model integreert multimodale data:

• Chemische descriptors: Saagar-vingerafdrukken (834 fragmenten) als input.
• MIE-assay-responsen: Data uit de ToxCast/Tox21-database (215 assays gerelateerd aan receptorbinding, enzymregulatie, etc.).
• Transcriptomics: L1000 gen-expressieprofielen (ModZ-scores) uit menselijke cellijnen.
• Biologische kennis: De Reactome pathway-hiërarchie, beperkt tot genen en pathways die gerelateerd zijn aan chemisch- en geneesmiddel-geïnduceerde leverletsel (CDILI).

Architectuur:
In tegenstelling tot een volledig verbonden ("dense") neuraal netwerk, is vToxiNet een biologisch beperkt (constrained) netwerk met een specifieke lagenstructuur:

1. Inputlaag: Chemische fragmenten.
2. Verborgen laag 1 (MIE): Représentatie van 215 moleculaire initierende evenementen.
3. Verborgen laag 2 (Genen): 280 genen geassocieerd met leverletsel.
4. Verborgen lagen 3-7 (Pathways): Vijf lagen die 1.119 biologische pathways vertegenwoordigen, georganiseerd volgens de ouder-kind-relaties uit de Reactome-hiërarchie.
5. Outputlaag: Voorspelling van hepatotoxiciteit (kansscore).

De verbindingen tussen de pathway-lagen zijn niet willekeurig, maar strikt beperkt tot de bestaande biologische hiërarchie, wat zorgt voor een schaars en interpreteerbaar netwerk. Het model gebruikt een auxiliary loss strategie (geïnspireerd op DCell) om het leren van pathway-specifieke patronen te verbeteren.

Interpretatie:
Om het "black box"-probleem op te lossen, wordt Layer-wise Relevance Propagation (LRP) gebruikt. Dit algoritme propageert de voorspelling terug door het netwerk om een relevantiescore ($R$) toe te kennen aan individuele neuronen (genen en pathways). Hierdoor kan worden bepaald welke biologische mechanismen bijdragen aan de voorspelde toxiciteit voor een specifieke stof.

Belangrijkste Resultaten

1. Voorspellende Prestaties:

   • Bij 5-voudige cross-validatie bereikte vToxiNet een AUROC van 0,68 en een gebalanceerde nauwkeurigheid van 0,63.
   • Op een externe testset met volledig nieuwe moleculaire scaffolds (249 verbindingen) bereikte het model een AUROC van 0,74 en een gemiddelde precisie van 0,95.
   • Het model presteerde beter dan of vergelijkbaar met conventionele QSAR-modellen (Random Forest, SVM) en dichte neurale netwerken die geen biologische beperkingen hadden. Modellen die alleen op gen-expressie trainden, presteerden slechter, wat aantoont dat de integratie van chemische en biologische data essentieel is.

2. Robuustheid:

   • Permutatietests (waarbij input of labels willekeurig werden gerangschikt) resulteerden in een AUROC rond de 0,50, wat bevestigt dat de prestaties van vToxiNet gebaseerd zijn op echte signalen en niet op toeval.

3. Mechanistische Inzichten:

   • De LRP-analyse identificeerde specifieke genen en pathways die sterk bijdroegen aan de voorspelling van hepatotoxiciteit.
   • Genen: Enzymen gerelateerd aan xenobiotica-metabolisme (zoals CYP2A6, CYP2B6, CYP1A2) en ontgiftingsprocessen (GSTM4, FMO3) hadden hoge relevantiescores.
   • Pathways: De pathways "Metabolism" en "Cellular responses to stimuli" (met name het KEAP1-NFE2L2-signaalweg voor oxidatieve stress) toonden de grootste verschillen tussen toxische en niet-toxische verbindingen.
   • Het model kon mechanistische patronen herkennen binnen scaffolds; bijvoorbeeld, bij diclofenac en meclofenamic acid werden mitochondriale disfunctie en immuunresponsen correct geïdentificeerd als drijvende krachten.

4. Validatie op Onafhankelijke Data:

   • Op een onafhankelijke externe dataset (267 verbindingen) bereikte het model een AUROC van 0,61. Hoewel dit lager was dan op de interne testset, toonde het model een sterke precisie (0,81) bij hoge voorspellingsscores, wat nuttig is voor het prioriteren van gevaarlijke stoffen.

Bijdragen en Significantie

• Innovatieve Architectuur: vToxiNet is een van de eerste modellen dat biologische hiërarchie (AOPs en pathway-netwerken) niet alleen als input gebruikt, maar als een structurele beperking in de diepe leerarchitectuur. Dit maakt het model zowel nauwkeurig als mechanistisch transparant.
• Interpreteerbaarheid: Door de integratie van LRP kunnen toxicologen niet alleen een voorspelling krijgen, maar ook begrijpen waarom een stof als toxisch wordt voorspeld (bijv. via welke specifieke pathway of gen). Dit is cruciaal voor reguliere acceptatie en risicobeoordeling.
• Generaliseerbaarheid: Het model toont aan dat het mogelijk is om te generaliseren naar volledig nieuwe chemische structuren (nieuwe scaffolds) door gebruik te maken van gedeelde biologische mechanismen in plaats van alleen structurele gelijkenis.
• Toekomstperspectief: De studie onderstreept dat het combineren van multimodale data (chemie, HTS, transcriptomics) met gestructureerde biologische kennis een krachtige strategie is voor de ontwikkeling van nieuwe benaderingsmethodieken (NAMs) in de voorspellende toxicologie, met als doel dierproeven te vervangen en de menselijke relevantie te vergroten.

Kortom, vToxiNet bewijst dat het coderen van biologische hiërarchie als architecturale beperking leidt tot modellen die zowel voorspellend vermogen als mechanistisch inzicht bieden, een essentiële stap voor de toekomst van veiligheidsbeoordeling van geneesmiddelen.