MARS: A neurosymbolic approach for interpretable drug discovery

Resumo Técnico: MARS – Uma Abordagem Neurosimbólica para a Descoberta Interpretável de Fármacos

Declaração do Problema
A descoberta de fármacos (DD) tradicionalmente depende da triagem de milhares de compostos químicos, um processo frequentemente acelerado por Grafos de Conhecimento (KGs). Embora os métodos padrão baseados em KG se destaquem na predição de ligação (por exemplo, correspondência de fármacos a indicações), eles frequentemente carecem de interpretabilidade em relação ao Mecanismo de Ação (MoA) de um fármaco. A deconvolução de MoA — a predição computacional das vias moleculares pelas quais um fármaco alcança seu efeito — é crítica para mitigar riscos de efeitos colaterais e prever o sucesso clínico. No entanto, os métodos interpretáveis existentes dependem frequentemente de "padrões associativos" (por exemplo, efeitos colaterais ou indicações compartilhadas) em vez de "padrões mecanísticos" (interações moleculares físicas). Além disso, não existem diretrizes claras para avaliar a plausibilidade biológica das interpretações do modelo. Um desafio significativo identificado na IA Neurosimbólica (NeSy) é o "atalho de raciocínio" (reasoning shortcut), onde os modelos alcançam alta precisão explorando semânticas não pretendidas, como o viés de grau de nó, em vez de aderir a regras lógicas específicas do domínio.

Metodologia
Os autores propõem o MARS (MoA Retrieval System), uma abordagem NeSy projetada para realizar a deconvolução de MoA. A metodologia consiste em três componentes principais:

1. MoA-net (Dataset): Um KG customizado construído especificamente para a deconvolução de MoA. Diferente dos KGs biomédicos gerais, o MoA-net foca em entidades e relações passíveis de serem descobertas em ambientes laboratoriais pré-clínicos. Ele compreende triplas que ligam Fármacos, Proteínas e Processos Biológicos (BPs) via relações causais (ex: regula positivamente, regula negativamente) e interações. O conjunto de dados inclui 300 fármacos, 9.301 proteínas e 86 BPs.
2. Estrutura NeSy: O MARS utiliza um agente de Aprendizado por Reforço Profundo (RL) para percorrer o MoA-net. O objetivo do agente é encontrar caminhos que conectem um nó de Fármaco a um nó de BP (a relação induz).
   • Regras baseadas em Metacaminhos: O sistema emprega regras lógicas onde o corpo consiste em metacaminhos (sequências de relações) e a cabeça é a relação alvo induz.
   • Aprendizado de Pesos Dinâmicos: Ao contrário de abordagens anteriores (ex: PoLo) que utilizam pesos de regras estáticos e pré-computados, o MARS aprende pesos de regras dinamicamente durante o treinamento.
3. Mecanismos de Atualização de Pesos: O artigo introduz dois métodos para atualizar os pesos das regras para tornar o sistema "consciente de atalhos" (shortcut-aware):
   • Atualizações Ingênuas (Naive Updates): Ajusta os pesos com base na frequência de satisfação da regra em relação à frequência esperada.
   • P2H (Probabilidade Conjunta de Dois Saltos/Two-Hop Joint Probability): Um algoritmo inovador que aproxima a utilidade da regra analisando a probabilidade conjunta de fragmentos de dois saltos dentro de trajetórias bem-sucedidas do agente. Isso permite que o sistema atualize os pesos com base em correspondências parciais de caminhos, fornecendo uma medida mais robusta da importância da regra.
4. Estratégia de Avaliação: O sistema é avaliado em tarefas de predição de ligação usando métricas padrão (Hits@k, MRR) e "métricas podadas" (calculadas apenas em predições que satisfazem uma regra lógica). O estudo testa especificamente os "atalhos de raciocínio" comparando o desempenho no MoA-net original contra uma versão permutada (MoA-net-permuted) e uma versão esparsa (MoA-net-10k) para isolar os efeitos do viés de grau de nó.

Principais Resultados

• Atalhos de Raciocínio: Experimentos iniciais revelaram que o MARS, juntamente com modelos de linha de base NeSy como o PoLo, frequentemente dependeu de "padrões associativos" (especificamente, arestas inversas sugerindo que fármacos que induzem um BP comum provavelmente induzem outro BP) em vez das regras mecanísticas pretendidas. Esse comportamento foi impulsionado pelo viés de grau (degree-bias), onde o modelo explorou a alta conectividade de certos nós para maximizar recompensas sem aprender a lógica biológica subjacente.
• Mitigação: Ao aplicar a estratégia de atualização de pesos P2H e treinar em uma versão aparada do grafo (MoA-net-10k), os autores demonstraram que o modelo poderia ser tornado "consciente de atalhos". Essa mitigação reduziu a dependência do viés de grau e forçou o agente a utilizar as regras lógicas baseadas no domínio.
• Desempenho: O MARS otimizado (especificamente a variante P2H) alcançou desempenho em paridade com modelos de embedding de KG de última geração e baselines NeSy. Crucialmente, ao contrário dos baselines, o MARS produziu interpretações alinhadas com MoAs conhecidos quando os atalhos de raciocínio foram mitigados.
• Interpretabilidade: O sistema gerou com sucesso caminhos entre fármacos e BPs que correspondiam a vias mecanísticas conhecidas (validadas contra o DrugMechDB), demonstrando que os pesos e trajetórias aprendidos refletem padrões biologicamente significativos em vez de artefatos estatísticos.

Significância e Alegações
O artigo alega que o MARS apresenta uma tarefa computacional nova: deconvolução de MoA. Sua principal significância reside em demonstrar que, embora os modelos NeSy ofereçam interpretabilidade aprimorada, eles permanecem suscetíveis a atalhos de raciocínio que podem tornar suas "explicações" biologicamente implausíveis.

Os autores enfatizam que:

1. A Avaliação é Contextual: A interpretabilidade deve ser avaliada contra o conhecimento específico do domínio (regras mecanísticas) e não apenas por métricas de desempenho estatístico.
2. Atalhos são Mitigáveis: Ao identificar o viés de grau e empregar estratégias como atualizações de peso P2H e o aparamento de grafos, os modelos NeSy podem ser guiados para produzir predições confiáveis e biologicamente significativas.
3. Confiabilidade para Pesquisa de Jusante (Downstream): Ao garantir que as predições sejam impulsionadas por regras de domínio e não por vieses estatísticos, o MARS fornece predições de MoA mais confiáveis para a pesquisa de descoberta de fármacos subsequente, ofereando uma alternativa única baseada em IA aos ensaios laboratoriais tradicionais e não escaláveis.

O estudo conclui que, para que as abordagens NeSy sejam verdadeiramente dignas de confiança em aplicações biomédicas, elas devem ser projetadas e avaliadas com mecanismos específicos para detectar e mitigar atalhos de raciocínio.