💻 computer science

APOSM: Pairwise preference learning improves generative small-molecule design

Het artikel introduceert APOSM, een active-learning framework dat het ontwerp van kleine moleculen verbetert door een graph neural network surrogaat te trainen op paarwijze moleculaire vergelijkingen in plaats van op absolute scores, waardoor de doelbereikking en de bemonsteringsefficiëntie in ruisgevoelige screeningsregimes aanzienlijk worden verbeterd.

Oorspronkelijke auteurs: Marcus W. Dreisler, Richard Michael, Nikos Hatzakis, Wouter Boomsma

Gepubliceerd 2026-09-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marcus W. Dreisler, Richard Michael, Nikos Hatzakis, Wouter Boomsma

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de race naar de ontdekking van nieuwe medicijnen worden wetenschappers geconfronteerd met een schaalprobleem dat bijna onmogelijk lijkt. Het universum van mogelijke kleine moleculen—kleine chemische structuren die medicijnen zouden kunnen worden—is zo uitgestrekt dat het meer kandidaten bevat dan er sterren in de Melkweg zijn. Geen enkel laboratorium, hoe goed gefinancierd ook, kan elk afzonderlijk molecuul synthetiseren en testen. In plaats daarvan moeten onderzoekers vertrouwen op computermodellen die als een filter fungeren, om te voorspellen welke weinige moleculen de dure en tijdrovende inspanning van testen in een echt laboratorium waard zijn. Decennialang hebben deze computermodellen geprobeerd aan elk molecuul een specifieke score toe te kennen, om precies in te schatten hoe goed het zou werken tegen een ziekte. Deze voorspellingen struikelen echter vaak wanneer de data schaars of ruisachtig is, wat leidt tot verspilde middelen aan verbindingen die er op papier goed uitzien, maar falen in het reageerbuisje. De kernuitdaging is het vinden van een manier om de zoektocht door deze chemische wildernis te leiden met een signaal dat betrouwbaar genoeg is om op te vertrouwen, zelfs wanneer de kaart incompleet is.

Een team van onderzoekers aan de Universiteit van Kopenhagen heeft een andere manier voorgesteld om door deze ruimte te navigeren, waarbij de focus is verschoven van het raden van exacte scores naar het maken van eenvoudige vergelijkingen. Hun nieuwe methode, genaamd APOSM, behandelt de zoektocht naar betere medicijnen niet als een spel om een specifiek doelgetal te raken, maar als een reeks directe confrontaties. In plaats van een computer te vragen de exacte activiteit van een enkel molecuul te voorspellen, stelt het systeem een eenvoudigere vraag: gegeven twee kandidaten, welke is waarschijnlijk beter? Deze benadering put uit een concept dat bekend staat bij iedereen die ooit artikelen heeft gerangschikt, maar wordt hier toegepast op de complexe wereld van moleculaire vormgeving. Door een computer te trainen om te leren van deze relatieve voorkeuren, ontdekden de onderzoekers dat ze een betrouwbaardere gids konden bouwen voor de ontdekking van nieuwe medicijnen, vooral in situaties waarin gegevens beperkt en moeilijk te interpreteren zijn.

De onderzoekers bouwden hun systeem rond een actieve leerlus, een proces dat de manier nabootst waarop een wetenschapper iteratief een hypothese kan verfijnen. Het begint met een kleine set bekende moleculen en een generator die nieuwe variaties creëert door kleine, chemisch zinvolle veranderingen aan te brengen, zoals het vervangen van een stukje van de structuur door een ander fragment. Deze nieuwe kandidaten worden vervolgens ingevoerd in een "surrogaat"-model, een type kunstmatige intelligentie die ontworpen is om de resultaten van een laboratoriumexperiment na te bootsen. In dit systeem kijkt de surrogaat niet naar moleculen in isolatie. In plaats daarvan kijkt het naar paren moleculen en leert het te voorspellen welke het laboratorium de voorkeur zou geven op basis van eerdere experimentele gegevens. Dit voorkeursignaal wordt vervolgens gebruikt om alle nieuwe kandidaten te rangschikken, en de best gerangschikte kandidaten worden geselecteerd om getest te worden in het virtuele of echte laboratorium. De resultaten van deze tests worden teruggekoppeld naar het systeem, waardoor de surrogaat in staat is om te leren en zijn rangschikkingsvermogen te verbeteren voor de volgende ronde.

Om te testen of deze methode daadwerkelijk werkt, onderwierpen de onderzoekers het aan twee verschillende uitdagingen. De eerste was een taak met betrekking tot dopamine-receptoren, een veelvoorkomend doelwit voor medicijnen die aandoeningen zoals de ziekte van Parkinson behandelen. De computer kreeg een startlijst van 300 bekende moleculen en kreeg de opdracht om nieuwe te vinden die structureel vergelijkbaar zijn met een specifiek, verborgen doelwit. In dit scenario bleek de nieuwe methode superieur aan oudere benaderingen. Terwijl andere algoritmen wijd over het chemische landschap dwaalden, waarbij ze vaak afdwaalden naar gebieden met een laag potentieel, bleef het door voorkeuren geleide systeem gefocust op de gebieden met een hoge waarde. Het vond consistent betere kandidaten en bereikte hogere scores met minder pogingen, wat aantoont dat de strategie van relatieve vergelijking effectief kan navigeren naar het doel, zelfs wanneer gestart wordt met een beperkte hoeveelheid informatie.

De tweede uitdaging was nog rigoureuzer en maakte gebruik van een standaard benchmark genaamd de Practical Molecular Optimization set, die 25 verschillende taken omvat, variërend van het vinden van moleculen met specifieke vormen tot het optimaliseren van meerdere eigenschappen tegelijkertijd. In deze tests begon het systeem vaak vanaf nul met slechts één enkel molecuul en een strikte limiet op het aantal virtuele experimenten dat het kon uitvoeren. Hier werd het voordeel van de op voorkeuren gebaseerde benadering nog duidelijker. De onderzoekers vergeleken hun methode met een versie die probeerde exacte scores te voorspellen en met een standaard genetisch algoritme dat natuurlijke evolutie nabootst. Het door voorkeuren geleide systeem presteerde beter dan beide, vooral in taken waar het voorspellen van een exacte score berucht moeilijk is. Het vond niet alleen betere moleculen, maar produceerde ook een set kandidaten die meer leken op de hoogwaardige, medicijnachtige verbindingen die in echte databases worden gevonden, wat suggereert dat het de juiste soort chemische intuïtie heeft geleerd.

Een cruciaal onderdeel van de studie was het bepalen waarom deze methode zo goed werkte. De onderzoekers voerden een specifieke controle uit om te zien of de verbetering voortkwam uit de manier waarop de computer leerde of uit de manier waarop het nieuwe moleculen genereerde. Ze ontdekten dat de sleutel in de leermethode zelf lag. Wanneer ze de op voorkeuren gebaseerde leerder vervingen door een die probeerde exacte scores te voorspellen, daalde de prestatie. Dit bevestigde dat het in de rommelige, data-arme omgeving van de medicijnontwikkeling gemakkelijker en betrouwbaarder is voor een computer om te leren welke van de twee opties beter is, dan om de precieze waarde van een enkele optie te raden. Het systeem leerde in essentie om te vertrouwen op het relatieve signaal, waarbij het de ruis negeerde die absolute voorspellingen vaak teistert.

Het werk vormt een belangrijke stap voorwaarts in hoe we kunstmatige intelligentie gebruiken om medicijnen te ontwerpen. Door de generatie van nieuwe moleculen los te koppelen van het scoremechanisme en de focus te leggen op paarwijze vergelijkingen, hebben de onderzoekers een raamwerk gecreëerd dat flexibel en robuust is. Het vereist geen enorme dataset om te beginnen en kan zich aanpassen naarmate er nieuwe gegevens binnenkomen. De bevindingen suggereren dat voor het moeilijke, real-world probleem van lead-verfijning—waarbij wetenschappers een veelbelovende maar imperfecte medicijnkandidaat moeten verbeteren—comparatief leren een betrouwbaarder pad biedt dan proberen de toekomst met absolute zekerheid te voorspellen. Naarmate het veld zich beweegt naar complexere ontwerpuitdagingen, biedt deze benadering een principiële manier om ruisige, schaarse experimentele gegevens om te zetten in een heldere gids voor ontdekking, waardoor wordt gewaarborgd dat de volgende generatie medicijnen efficiënter en met groter vertrouwen wordt gevonden.

Technische Samenvatting: APOSM – Pairwise Preference Learning voor Generatief Ontwerp van Kleine Moleculen

Probleemstelling

De verfijning van kleine moleculaire leads wordt fundamenteel beperkt door de hoge kosten en lage doorvoersnelheid van het synthetiseren en testen van kandidaatverbindingen. Bijgevolg vertrouft het ontwerpproces zwaar op surrogaatmodellen om kandidaten te prioriteren voor experimentele tests. De betrouwbaarheid van deze surrogaatmodellen wordt echter vaak ondermijnd door de ruis, schaarste en bias die inherent zijn aan experimentele screeningsgegevens.

Huidige generatieve kaders trainen scoringsfuncties doorgaans om absolute eigenschapswaarden (bijv. IC50, bindingsaffiniteit) te voorspellen via regressie. De auteurs stellen dat in scenario's met weinig data, die typerend zijn voor specifieke biologische targets, het leren voorspellen van absolute scores vaak onbetrouwbaar is omdat de beschikbare metingen onvoldoende zijn om een robuuste regressor te trainen. Daarentegen is experimentele data vaak wel adequaat om te bepalen welke van twee kandidaten veelbelovender is, zelfs als de exacte grootte van hun verschil niet nauwkeurig gekwantificeerd kan worden. Dit suggereert dat een relatieve, op voorkeur gebaseerde benadering (preference-based approach) hanteerbaarder kan zijn dan absolute voorspelling voor moleculaire surrogaatmodellen.

Methodologie: APOSM

De auteurs stellen APOSM voor (Active Preference Optimization for Small-Molecule design), een active learning-algoritme dat de verfijning van leads behandelt als een optimalisatieprobleem geleid door voorkeuren. Het framework ontkoppelt de moleculaire generator van het scoringsmechanisme, wat een generator-agnostische implementatie mogelijk maakt.

De APOSM-loop werkt in rondes, gestructureerd om aan te sluiten bij de batchgewijze cadans van wet-lab screening:

Generatie (Fragment-gebaseerde Perturbatie):
- Het systeem breidt een huidige populatie ouder-moleculen uit naar een grotere set nakomelingen.
- De implementatie gebruikt CReM (Chemically Reasonable Mutations), een fragment-gebaseerde generator die lokale structurele perturbaties (mutaties en groei) uitvoert door sub-fragmenten te vervangen door fragmenten uit een gecureerde bibliotheek (afgeleid van ChEMBL).
- Deze lokale aanpak zorgt ervoor dat de nakomelingen chemisch plausibel blijven en dicht bij het ouder-molecuul in de chemische ruimte blijven, waardoor de kernscaffolds behouden blijven.
Scoring (Pairwise Preference Surrogate):
- In plaats van absolute scores te voorspellen, wordt een Message-Passing Graph Neural Network (MPGNN) getraind om de relatieve voorkeur tussen paren moleculen $(s_i, s_j)$ te voorspellen.
- Het netwerk gebruikt een gedeelde encoder voor beide moleculaire grafen in een paar, gevolgd door een preference head die een scalaire logit $z_{ij}$ output.
- De training wordt gesuperviseerd door het teken van het verschil in oracle-score ( $\Delta y_{ij} = y(s_i) - y(s_j)$ ). Het model minimaliseert de binary cross-entropy loss om de label $t_{ij} = \mathbb{1}[\Delta y_{ij} > 0]$ te voorspellen.
- Deze aanpak isoleert het signaal van "welke is beter" van de ruis van "hoeveel beter".
Ranking (Global Bradley-Terry Order):
- Om kandidaten voor de volgende ronde te selecteren, vereist het systeem een globale ordening van alle nakomelingen, niet alleen pairwise vergelijkingen.
- Een Bradley-Terry model aggregeert de voorspelde pairwise voorkeuren tot een globale rangschikking.
- Om de computationele schaal aan te pakken (tot $10^5$ kandidaten per ronde), gebruiken de auteurs het Iterative Luce Spectral Ranking (ILSR) algoritme, dat sneller convergeert dan klassieke majorization-minimization procedures.
- Er wordt een twee-fasen architectuur gebruikt: de surrogaat genereert eerst een shortlist van top- $K$ kinderen per ouder, en de globale Bradley-Terry fit wordt alleen toegepast op deze shortlist, met een diversiteitsplafond om te voorkomen dat één ouder de volgende generatie domineert.
Active Learning Loop:
- De hoogst gerangschikte subset wordt bevraagd tegen de oracle (experimentele assay of in silico proxy).
- De nieuw door de oracle gelabelde moleculen worden toegevoegd aan de trainingsset, en de surrogaat wordt opnieuw getraind voor de volgende ronde.

Belangrijkste Bijdragen

Paradigmaverschuiving: Het artikel operationaliseert het concept van preference-guided implicit generative modeling voor kleine moleculen. Het breidt het paradigma van pairwise voorkeuren (voorheen vastgesteld in eiwitontwerp en gerichte evolutie) uit naar de verfijning van kleine moleculaire leads.
Algoritmisch Kader: APOSM biedt een geprincipeerd voorbeeld van actieve voorkeursoptimalisatie die een fragment-gebaseerde generator, een preferentiële graaf neurale netwerk-surrogaat en probabilistische ranking combineert.
Generator-Agnostiek: Het framework is ontworpen om onafhankelijk te zijn van de specifieke moleculaire generator, hoewel de auteurs het instantiëren met CReM.
Ablatie-studies: Het werk bevat een rigoureuze vergelijking met een pointwise-regressie baseline (gebruikmakend van Chemprop om absolute scores te voorspellen) om de bijdrage van de preference supervisie te isoleren.

Resultaten

De auteurs evalueerden APOSM in twee complementaire settings:

GPCR Ligand Rediscovery (Warm-Start):
- Taak: Het herontdekken van hoog-affiene dopamine receptor liganden met een warm-start bibliotheek van 300 bekende liganden.
- Resultaat: APOSM volgde de high-fitness ridge van de chemische ruimte nauwer dan ongeleide fragment-gebaseerde optimalisatie of het Graph-GA genetische algoritme. Het bereikte hogere gemiddelde scores en cumulatieve best-so-far waarden met een lagere intra-generation diversiteit, wat wijst op een meer gefocusteerde en efficiënte exploratie.
Practical Molecular Optimization (PMO) Benchmark (Cold-Start):
- Taak: 25 taken reikend van gelijkenis, multi-parameter optimalisatie (MPO), rediscovery, scaffold-hopping, docking en eigenschapsoptimalisatie, beperkt tot 1.000 oracle evaluaties.
- Resultaat:
  - APOSM presteerde beter dan ongeleide fragment-gebaseerde optimalisatie en Graph-GA over de meeste taakgroepen (gelijkenis, MPO, rediscovery, scaffold-hopping, docking).
  - APOSM kwam overeen met of overtrof de pointwise-regressie ablatie op geïntegreerde optimalisatiemetrieken.
  - De grootste winsten werden waargenomen in taakgroepen waar het kalibreren van absolute scores het moeilijkst is (bijv. docking).
  - Distributie-alignement: De voorstellen van APOSM stemden beter overeen met de scoreverdeling van top synthesiseerbare drug-achtige verbindingen (ENAMINE Real) dan de baselines, gemeten via de Kullback-Leibler divergentie en Maximum Mean Discrepancy (behalve in MPO-taken).
Surrogaat-niveau Validatie:
- In een pre-optimalisatie "pre-flight" validatiescan onder out-of-domain (OOD-1) condities, vertoonde de pairwise preference surrogaat een hogere rangnauwkeurigheid (sign accuracy en Spearman correlatie) dan het pointwise regressiemodel op de meerderheid van de taken. Het voordeel was het meest uitgesproken in taken waar absolute regressie het moeilijkst te leren is.

Betekenis en Claims

Het artikel claimt dat pairwise preference learning een betrouwbaarder surrogaatdoel is dan absolute regressie voor het ontwerp van kleine moleculen in de met weinig data en ruis gekenmerde scenario's die typisch zijn voor screeningcampagnes.

Betrouwbaarheid: De auteurs stellen dat hoewel absolute scores ruisachtig of schaars kunnen zijn, de relatieve ordening van kandidaten vaak robuust identificeerbaar is vanuit dezelfde data.
Efficiëntie: Door gebruik te maken van dit betrouwbaardere signaal binnen een active learning loop, verbetert APOSM de doelbereiking en de bemonsteringsefficiëntie vergeleken met zowel ongeleide generatie als genetische algoritmen.
Conceptuele Uitbreiding: Het werk overbrugt de kloof tussen eiwitengineering (waar directed evolution en Direct Preference Optimization succes hebben gehad met pairwise vergelijkingen) en het ontwerp van kleine moleculen. Het demonstreert dat iteratieve comparatieve selectie over lokale edities een effectieve strategie is om door grote discrete chemische ruimtes te navigeren.
Praktische Bruikbaarheid: Het framework is ontworpen om aan te sluiten bij de operationele realiteiten van wet-lab screening (batchgewijze acquisitie) en maakt gebruik van chemisch valide, synthetiseerbare voorstellen via de CReM generator.

De auteurs merken op dat hoewel de huidige implementatie zich richt op single-objective optimalisatie, het framework een natuurlijke extensie is van eerder werk dat stelt dat relatieve eigenschapsvoorspelling een meer hanteerbaar alternatief kan zijn onder experimentele beperkingen. Zij positioneren APOSM niet als een vervanging voor alle generatieve methoden, maar als een specifieke, geprincipeerde oplossing voor de verfijning van leads waarbij data schaars en ruizig is.