PredHLM: quantitative and interpretable prediction of metabolic half-life in human liver microsomes

Technische Samenvatting: PredHLM – Kwantitatieve en Interpreteerbare Voorspelling van de Metabole Halfwaardetijd in Humane Levermicrosomen

Probleemstelling
Metabole stabiliteit in humane levermicrosomen (HLM) is een kritieke farmacokinetische determinant die de systemische blootstelling, klaring en orale biobeschikbaarheid beïnvloedt. Hoewel experimentele HLM-assays de gouden standaard zijn voor het evalueren van Fase I-metabolisme, zijn ze arbeidsintensief en hulpbronnenintensief, wat knelpunten creëert voor grootschalige virtuele screening in de vroege fase van medicijnontwikkeling. Bestaande computationele modellen lijden echter vaak aan drie beperkingen: (1) ze zijn overwegend gebaseerd op classificatie (stabiel versus instabiel), waardoor de granulariteit ontbreekt die vereist is voor lead-optimalisatie; (2) ze hebben moeite met de inherente experimentele ruis en heterogeniteit van publieke datasets, wat ertoe leidt dat veel onderzoekers kwantitatieve regressie vermijden; en (3) ze functioneren vaak als "black boxes", waarbij ze geen chemische inzichten bieden die overeenkomen met bekende metabole "soft-spots". Bijgevolg blijft de directe, kwantitatieve en interpreteerbare voorspelling van de continue HLM-halfwaardetijd ($T_{1/2}$) onderbelicht.

Methodologie
De auteurs hebben PredHLM ontwikkeld, een kwantitatief machine learning-framework dat is ontworpen om de HLM-halfwaardetijd direct te voorspellen.

• Data Curatie: De studie integreerde een dataset van 11.790 unieke verbindingen door in-house data van de Korea Chemical Bank (KCB) te combineren met gecureerde publieke data van ChEMBL (v36) en PubChem.
  • Experimentele eindpunten omvatten de gemeten halfwaardetijd en het percentage resterend na 30 minuten.
  • Waarden voor het percentage resterend werden naar de halfwaardetijd geconverteerd met behulp van een eerste-orde kinetische vergelijking.
  • Er werd strikte kwaliteitscontrole toegepast: niet-HLM systemen (bijv. hepatocyten, S9-fracties) werden uitgesloten, gecensureerde data werden afgehandeld met specifieke grenzen, en duplicaten van verbindingen werden gemiddeld.
  • De data werden log10-getransformeerd om scheefheid te verminderen, en uitschieters werden verwijderd met de interkwartielafstand-methode.
• Featurizatie: Vier moleculaire representatieschema's werden geëvalueerd: ECFP4 fingerprints (2.048-bit), RDKit 2D-descriptors, Mordred-descriptors en MACCS-keys.
• Modelarchitecturen: Negen voorspellende algoritmen werden getest, waaronder multilayer perceptron (MLP), k-nearest neighbors (k-NN), kernel ridge regression (KRR), support vector machines (SVM) en boom-gebaseerde methoden (Random Forest, LightGBM, XGBoost, CatBoost). Daarnaast werden een Communicative Message Passing Neural Network (CMPNN) en varianten daarvan (met aandachtmechanismen en feature-concatenatie) getest.
• Training en Evaluatie:
  • De dataset werd gesplitst in een 9:1 verhouding tussen trainings- en onafhankelijke testsets.
  • Hyperparameters werden geoptimaliseerd via 5-voudige kruisvalidatie met behulp van Optuna.
  • Een scaffold-gebaseerde split (Bemis–Murcko frameworks) werd gehanteerd om de generalisatie naar structureel nieuwe chemotypes te beoordelen, waarbij werd gegarandeerd dat er geen overlap was tussen de scaffolds in de trainings- en testset.
  • Applicatiegebied (AD): De betrouwbaarheid van de voorspelling werd beoordeeld met behulp van een Sum of Distance-weighted Contribution (SDC) score op basis van Tanimoto-gelijkenis met de trainingsset.
  • Interpreteerbaarheid: Shapley Additive Explanations (SHAP) werden gebruikt om de bijdrage van features te kwantificeren en het besluitvormingsproces van het model toe te lichten.
• Modelprestaties: Het XGBoost-model met RDKit 2D-descriptors behaalde de beste voorspellende prestaties.
  • Op de onafhankelijke testset leverde het een RMSE van 0,507 en een $R^2$ van 0,431.
  • In kruisvalidatie behaalde het een RMSE van 0,515 en een $R^2$ van 0,410.
  • Hoewel grafische modellen (CMPNN) competitief presteerden, overtrofen zij het descriptor-gebaseerde XGBoost-model niet. De auteurs behielden de RDKit 2D-descriptors vanwege hun parsimonie (~800 minder descriptors dan Mordred) en interpreteerbaarheid.
• Generalisatie: Onder de strikte scaffold-gebaseerde split behield het model een robuuste prestatie (onafhankelijke test RMSE van 0,536), wat aangeeft dat het generaliseert naar nieuwe chemotypes in plaats van te vertrouwen op het memoriseren van analogen.
• Applicatiegebied: De analyse toonde een sterke correlatie tussen de SDC-score en de voorspellingsfout. Verbindingen met een hoge SDC-score (goed vertegenwoordigd in de trainingsruimte) vertoonden een lagere RMSE, waarbij de top 8,9% van de verbindingen een $R^2$ van 0,683 bereikte.
• Externe Benchmarking: Wanneer geconverteerd naar een binaire classificatietaak (stabiel als $T_{1/2} > 30$ min), presteerde PredHLM beter dan referentiemodellen (Ryu et al. en Shah et al.) op het gebied van nauwkeurigheid (0,675), MCC (0,361) en ROC-AUC (0,736) op een externe set van 969 verbindingen.
• Interpreteerbaarheid (SHAP):
  • Lipofiliteit (MolLogP) was de meest invloedrijke feature; een hogere lipofiliteit had een negatieve impact op de voorspelde halfwaardetijd (consistent met verhoogde CYP-gemedieerde oxidatie).
  • Metabole Soft-spots: Descriptors voor aryl-methylgroepen, allylische oxidatieplaatsen en esters vertoonden negatieve bijdragen (vermindering van stabiliteit).
  • Stabiliserende Kenmerken: Halogeen-aantallen en carboxylzuurgroepen vertoonden positieve bijdragen, wat overeenkomt met strategieën om metabole locaties te blokkeren en de verminderde gevoeligheid van zuren voor Fase I-oxidatie in afwezigheid van Fase II-cofactoren.

Betekenis en Claims
Het artikel claimt dat PredHLM een praktisch kader biedt voor het definiëren van metabole stabiliteitsmarges, wat zowel snelle Go/No-go beslissingen als fijnere prioritering van verbindingen tijdens lead-optimalisatie ondersteunt. Door kwantitatieve (continue halfwaardetijd) in plaats van categorische voorspellingen te bieden, behoudt het model de stabiliteitsinformatie die classificatiemodellen weggooien. Bovendien zorgt de integratie van SHAP-analyse ervoor dat het model interpreteerbaar is, waarbij de voorspellingen worden afgestemd op gevestigde medicinale chemische principes met betrekking tot lipofiliteit en metabole soft-spots.

De auteurs positioneren PredHLM expliciet als een besluitvormingsondersteunende tool in plaats van een vervanging voor experimentele assays. Zij erkennen beperkingen, waaronder de afhankelijkheid van het model van Fase I-data (uitsluiting van Fase II, transporters en in vivo effecten), de onzekerheid die wordt geïntroduceerd door het converteren van het percentage resterend naar halfwaardetijd, en de inherente variabiliteit van experimentele data. De broncode, data en getrainde modellen worden publiekelijk beschikbaar gesteld om reproduceerbaarheid en verdere ontwikkeling te ondersteunen.