Deep Ensemble Learning with Graph Attention Mechanisms for Molecular Classification of HIV Inhibitors

De zoektocht naar nieuwe medicijnen voelt vaak als het zoeken naar een speld in een hooiberg, maar de hooiberg bestaat uit miljarden piepkleine, complexe vormen die moleculen worden genoemd. Decennialang hebben wetenschappers vertrouwd op fysieke experimenten om te testen welke van deze vormen een virus zouden kunnen stoppen, een proces dat traag, duur en vaak frustrerend inefficiënt is. In de afgelopen jaren is er een nieuw hulpmiddel opgekomen om deze zoektocht te versnellen: kunstmatige intelligentie. In plaats van elke molecuul in een laboratorium te testen, kunnen onderzoekers computers nu leren om patronen in moleculaire structuren te herkennen die suggereren dat een medicijn zal werken. Om dit te doen, vertalen ze chemische formules naar twee verschillende talen die computers begrijpen. De ene taal breekt een molecuul af in een lange lijst met kenmerken, zoals een vingerafdruk die de lokale details vastlegt. De andere taal behandelt het molecuul als een kaart, waarbij atomen steden zijn en chemische verbindingen de wegen zijn die hen verbinden, waardoor de vorm en de verbindingen die bepalen hoe het molecuul zich gedraagt, behouden blijven.

Een team van onderzoekers van de North South University en Webster University paste deze digitale tools onlangs toe op een van de meest hardnekkige uitdagingen in de moderne geneeskunde: het vinden van nieuwe manieren om het menselijk immuundeficiëntievirus, of HIV, te stoppen. Ondanks het bestaan van behandelingen, blijft het virus miljoenen mensen wereldwijd treffen, en het ontwikkelt regelmatig resistentie tegen huidige medicijnen, wat het ontdekken van nieuwe remmers een dringende prioriteit maakt. De onderzoekers wenden zich tot een enorme publieke database met meer dan 41.000 moleculaire structuren, die elk gelabeld zijn als ofwel actief tegen HIV, ofwel inactief. Deze dataset vormde echter een aanzienlijke hindernis: de overgrote meerderheid van de moleculen deed niets tegen het virus, waarbij slechts ongeveer 3,5 procent enige activiteit vertoonde. Deze extreme onbalans is als het proberen te vinden van een handvol rode knikkers in een emmer blauwe knikkers; een computermodel dat getraind is op dergelijke gegevens zou simpelweg "blauw" kunnen gokken voor alles en nog steeds zeer accuraat lijken, terwijl het volledig faalt in zijn werkelijke taak om de rode knikkers te vinden.

Om dit op te lossen, bouwden en testten het team verschillende verschillende AI-modellen, die elk een unieke aanpak hanteerden bij het lezen van de moleculaire gegevens. Ze begonnen met traditionele machine learning-methoden die vertrouwden op de "vingerafdruk"-stijl van gegevens, gebruikmakend van algoritmen die bekend staan om hun vermogen om complexe informatie te sorteren. Ze bouwden ook een geavanceerder systeem gebaseerd op deep learning dat de moleculen als kaarten behandelde, gebruikmakend van een techniek genaamd een Graph Attention Network. Dit specifieke type netwerk is ontworpen om naar de verbindingen tussen atomen te kijken en te beslissen welke delen van het molecuul het belangrijkst zijn voor de activiteit, vergelijkbaar met een menselijke expert die zich concentreert op de meest kritieke details van een blauwdruk. Om de schaarste aan actieve moleculen op te vangen, pasten de onderzoekers hun trainingsgegevens zorgvuldig aan, zodat de computer evenveel aandacht besteedde aan de zeldzame actieve voorbeelden als aan de veelvoorkomende inactieve voorbeelden. Ze combineerden ook hun best presterende modellen in een enkel "stacking" ensemble, waarbij meerdere verschillende systemen samenwerken, met een uiteindelijke feedforward neurale netwerk dat optreedt als een scheidsrechter om de definitieve beslissing te nemen.

De resultaten toonden aan dat hoewel de verschillende benaderingen hun sterktes hadden, het combineren ervan de meest betrouwbare voorspellingen opleverde. De traditionele machine learning-modellen presteerden erg goed, waarbij XGBoost actieve remmers in ongeveer 85,7 procent van de gevallen correct identificeerde. Het op grafieken gebaseerde deep learning-model, dat direct leerde van de moleculaire kaarten, behaalde een iets lagere nauwkeurigheid, maar blonk uit in het onderscheiden van actieve van inactieve verbindingen, een cruciale vaardigheid bij de ontdekking van geneesmiddelen. De meest succesvolle aanpak was echter de ensemble-methode, die de sterktes van de top vier machine learning-modellen (Random Forest, LightGBM, CatBoost en XGBoost) en het neurale netwerk-scheidsrechter samenbracht. Dit gecombineerde systeem bereikte een nauwkeurigheid van ongeveer 85,2 procent en toonde een hoog vermogen om de juiste kandidaten boven de onjuiste te rangschikken. Misschien wel het belangrijkste is dat het op grafieken gebaseerde model een venster bood op zijn eigen denkproces. Door te analyseren op welke atomen het netwerk het meest focuste, konden de onderzoekers zien dat de computer correct specifieke chemische groepen identificeerde die bekend staan om hun interactie met het virus, zoals bepaalde zuurstof- en stikstofatomen. Dit suggereert dat het model niet alleen gokte op basis van willekeurige patronen, maar daadwerkelijk de echte chemische regels leerde die bepalen hoe deze medicijnen werken.

De studie concludeert dat hoewel geen enkele methode perfect is, de toekomst van de ontdekking van geneesmiddelen ligt in het samen gebruiken van meerdere perspectieven. De op vingerafdrukken gebaseerde modellen zijn snel en effectief in het opsporen van algemene patronen, terwijl de op grafieken gebaseerde modellen een dieper begrip bieden van moleculaire vorm en interactie. Door deze benaderingen te combineren, kunnen wetenschappers robuustere instrumenten creëren voor het screenen van potentiële medicijnen. De onderzoekers benadrukten ook dat hun vermogen om te visualiseren welke delen van een molecuul de computer belangrijk vond, een laag van vertrouwen en helderheid toevoegt, waardoor kunstmatige intelligentie verandert van een "black box" die antwoorden geeft zonder uitleg naar een transparante partner die kan laten zien hoe zij tot haar conclusies komt. Dit werk beweert geen geneesmiddel voor HIV te hebben gevonden, maar biedt een verfijndere, efficiëntere manier om door de chemische mogelijkheden te zeven, wat de reis van een computerscherm naar een levensreddend medicijn potentieel kan versnellen.