A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

In de race om nieuwe medicijnen te ontdekken, staan wetenschappers voor een enorme uitdaging: het universum van mogelijke medicijnmoleculen is uitgestrekt, maar het is onmogelijk om ze allemaal in een laboratorium te testen. Om dit te navigeren, gebruiken onderzoekers computers om te voorspellen hoe een molecuul zich zal gedragen voordat er ook maar één druppel is gesynthetiseerd. Dit proces rust op een cruciale eerste stap: het vertalen van de complexe, driedimensionale vorm van een chemische stof naar een taal die een computer kan lezen. Beschouw deze vertaling als het omzetten van een fysiek object in een barcode; de manier waarop die barcode is ontworpen, bepaalt hoe goed de computer de eigenschappen van het object kan begrijpen, zoals of het oplost in water, de hersenen binnendringt of schade veroorzaakt. Jarenlang hebben wetenschappers gedebatteerd over welk "barcode"-systeem het beste werkt, waarbij ze vaak ervan uitgingen dat complexere computermodellen het probleem automatisch zouden oplossen. De effectiviteit van deze voorspellingen hangt echter sterk af van de kwaliteit van de initiële vertaling, en niet alleen van de verfijning van de computer die het analyseert.

Een team onderzoekers aan de National Tsing Hua Universiteit in Taiwan zette zich in om dit debat te beslechten door systematisch te testen hoe verschillende manieren om moleculaire structuren te coderen de nauwkeurigheid van voorspellingen beïnvloeden. Ze richtten zich op twee verschillende soorten computerarchitecturen: een standaard neuraal netwerk, dat functioneert als een eenvoudige, gelaagde besluitvormer, en een geavanceerder Transformer-gebaseerd model, een type kunstmatige intelligentie die oorspronkelijk is ontworpen om menselijke taal te begrijpen en in staat is om gelijktijdig het belang van verschillende delen van een zin te wegen. De onderzoekers voedden beide modellen met een verscheidenheid aan moleculaire "barcodes", waaronder traditionele topologische vingerafdrukken die atomaire verbindingen in kaart brengen, substructuur-gebaseerde codes die specifieke chemische groepen identificeren, en string-gebaseerde representaties die moleculen als tekst behandelen. Ze trainden deze systemen op zeven bekende datasets die diverse taken bestrijken, van het voorspellen van toxiciteit en mutageniciteit tot het schatten van hoe goed een medicijn de bloed-hersenbarrière kan passeren.

De resultaten boden een duidelijke, praktische gids voor het vakgebied. In tegen weerstelling tot de aanname dat het complexere Transformer-model consequent beter zou presteren dan het eenvoudigere neurale netwerk, toonde de studie aan dat het standaardmodel bij de meeste taken vaak een gelijkwaardige of zelfs iets betere nauwkeurigheid bereikte. Sterker nog, de keuze van de moleculaire coderingsmethode bleek veel kritischer te zijn dan de keuze van het computermodel zelf. Bijvoorbeeld, bij de taak om te voorspellen of een molecuul toxisch zou zijn, leverde een specifiek type vingerafdruk genaamd MACCS de beste resultaten op voor het eenvoudige model, terwijl een andere vingerafdruk genaamd FCFP het beste werkte voor het complexe model. Dit suggereert dat er geen enkele "perfecte" code is voor alle chemische problemen; de beste aanpak hangt volledig af van de specifieke eigenschap die wordt voorspeld. De onderzoekers valideerden hun bevindingen ook op externe datasets, waarmee ze bevestigden dat hun modellen robuust bleven wanneer ze werden geconfronteerd met nieuwe, ongeziene data, met gemiddelde nauwkeurigheidsscores die consequent boven de 0,9 uitkwamen bij verschillende biologische classificatietaken.

Naast ruwe prestaties pakte de studie een grote hindernis in kunstmatige intelligentie aan: interpreteerbaarheid. Vaak fungeren krachtige AI-modellen als "black boxes", die een antwoord geven zonder uit te leggen waarom. De onderzoekers toonden aan dat het Transformer-model, hoewel niet altijd het meest accuraat, een uniek venster bood op zijn eigen redenering. Door de interne "attention"-gewichten van het model te analyseren—die aangeven op welke delen van de input de computer het zwaarst focuste—konden zij de specifieke chemische substructuren identificeren die een voorspelling aansturen, zonder dat daar externe uitleginstrumenten voor nodig waren. In een overtuigende casestudy waarbij Morfine en Heroïne werden vergeleken, identificeerde het model correct dat de aanwezigheid van hydroxylgroepen (zuurstofhoudende structuren) in Morfine het minder waarschijnlijk maakte dat het de bloed-hersenbarrière zou passeren in vergelijking met Heroïne, die deze groepen mist. Het model kenmerkte de aandacht voor deze hydroxyl-kenmerken in Morfine hoger, wat overeenkomt met gevestigde chemische kennis. Deze mogelijkheid om chemisch betekenisvolle patronen te benadrukken, suggereert dat deze modellen niet alleen uitkomsten kunnen voorspellen, maar ook kunnen helpen begrijpen wat de structurele redenen achter die voorspellingen zijn.

Uiteindelijk verschuift dit werk de focus van simpelweg grotere, complexere modellen bouwen naar het zorgvuldig selecteren van de juiste instrumenten voor de specifieke taak. De onderzoekers concludeerden dat hoewel geavanceerde architecturen zoals Transformers waardevolle inzichten bieden in hoe moleculen interageren, ze niet automatisch superieure voorspellingen garanderen. In plaats daarvan bestaat de meest effectieve strategie uit het matchen van de specifieke moleculaire coderingsmethode aan de voorspellings taak en de gekozen computerarchitectuur. Door interpretatie naast nauwkeurigheid prioriteit te geven, biedt deze aanpak een meer principiële weg voorwaarts voor de ontdekking van geneesmiddelen, waardoor de computermodellen die worden gebruikt voor het ontwerpen van levensreddende medicijnen niet alleen krachtig, maar ook begrijpelijk en betrouwbaar zijn.