A Comparative Study of QSPR Methods on a Unique Multitask PAMPA dataset

1. Declaração do Problema

O estudo aborda o desafio de prever com precisão a permeabilidade passiva de membrana de candidatos a fármacos através de diferentes barreiras biológicas. Embora o Ensaio de Permeabilidade de Membrana Artificial Paralela (PAMPA) seja uma ferramenta in vitro padrão para triagem de alto rendimento, modelar esses dados quantitativamente (QSPR) é difícil devido a:

• Escassez de Dados: Conjuntos de dados de alta qualidade, multi-membrana, são raros e frequentemente pequenos (tamanhos de amostra limitados).
• Especificidade da Membrana: Diferentes membranas (por exemplo, Barreira Hematoencefálica vs. Fígado) possuem composições lipídicas distintas, exigindo modelos que possam capturar tanto tendências gerais de permeabilidade quanto seletividade específica de órgão.
• Compensações de Representação: Há um debate em curso sobre se descritores físico-químicos tradicionais, projetados por especialistas, ou representações modernas de alta dimensão de aprendizado profundo (como transformadores pré-treinados) performam melhor em regimes de poucos dados.
• Interpretabilidade vs. Desempenho: Modelos complexos (por exemplo, Redes Neurais) frequentemente atuam como "caixas pretas", enquanto modelos mais simples oferecem interpretabilidade, mas podem carecer de poder preditivo.

2. Metodologia

Construção do Conjunto de Dados

• Compostos: 143 moléculas semelhantes a fármacos (incluindo fármacos aprovados) foram selecionadas para maximizar a diversidade estrutural (usando distância de Tanimoto em representações ECFP) e a semelhança com fármacos.
• Ensaios: Cada molécula foi testada em seis membranas PAMPA distintas:
  1. Dodecano (DOD): Um modelo apenas com solvente que imita o núcleo de hidrocarboneto das membranas.
  2. Fosfatidilcolina (PC): Lipídio neutro único.
  3. Fosfatidilserina (PS): Lipídio único com carga negativa.
  4. Extrato de Lipídios Polares Cerebrais (BBB): Modela a Barreira Hematoencefálica.
  5. Extrato de Lipídios Polares Cardíacos (H): Modela a permeabilidade do tecido cardíaco.
  6. Extrato de Lipídios Polares Hepáticos (L): Modela a permeabilidade do tecido hepático.
• Saída: A permeabilidade efetiva ($P_e$) foi medida via HPLC, e o logaritmo da permeabilidade efetiva ($\log P_e$) foi utilizado como variável alvo.

Representações Moleculares (Descritores)

Cinco tipos distintos de descritores moleculares foram gerados para testar sua eficácia:

1. Percepta (ACD/Labs): 38 descritores físico-químicos projetados por especialistas (por exemplo, logP, pKa, logD, previsões de Caco-2).
2. RDKit: 96 descritores padrão de código aberto (por exemplo, peso molecular, TPSA, ligações rotacionáveis).
3. ECFP6: Impressões digitais de conectividade estendida (2.000 dimensões), um "padrão ouro" tradicional em QSAR.
4. CDDD: Descritores Contínuos e Orientados a Dados (512 dimensões), derivados de um autoencoder pré-treinado.
5. MolBERT: Uma representação latente de 768 dimensões de um transformador tipo BERT pré-treinado em strings SMILES.

Abordagem de Modelagem

• Algoritmos: Uma ampla gama de modelos de regressão foi testada, incluindo Regressão Linear (ElasticNet), Random Forest (RFR), Regressão por Vetores de Suporte (SVR), XGBoost e Perceptrons de Multi-Camadas (MLP).
• Estratégia de Aprendizado: Estratégias de aprendizado tanto de Tarefa Única (prever uma membrana por vez) quanto de Tarefa Múltipla (prever conjuntamente todas as 6 membranas) foram empregadas.
• Validação:
  • Interna: Validação Cruzada (CV) de 4 dobras com ajuste de hiperparâmetros.
  • Externa: Um conjunto de teste de retenção estrito (20% dos dados) para avaliar a generalização.
  • Redução de Dimensionalidade: Análise de Componentes Principais (PCA) foi aplicada ao vetor de permeabilidade de 6 dimensões para identificar fatores comuns (PCA0) e variâncias específicas de membrana (PCA1, PCA2).

3. Contribuições Principais

1. Conjunto de Dados Multitarefa Único: Os autores apresentam um dos maiores conjuntos de dados PAMPA não esparsos e multi-membrana até a data, cobrindo 143 compostos em 6 tipos distintos de membrana.
2. Benchmarking Sistemático: Uma comparação abrangente de cinco estratégias diferentes de representação molecular contra múltiplos algoritmos de regressão em um regime de tamanho de amostra pequeno.
3. Insight sobre a Eficácia da Representação: O estudo desafia a suposição de que representações de aprendizado profundo (CDDD, MolBERT) são superiores para conjuntos de dados pequenos, encontrando que descritores projetados por especialistas frequentemente os superam.
4. Superioridade da Tarefa Múltipla: Demonstrou que o aprendizado multitarefa supera significativamente o aprendizado de tarefa única para este problema específico, aproveitando informações compartilhadas entre os tipos de membrana.
5. Análise de Interpretabilidade: Fornecida uma análise detalhada da importância de características usando modelos lineares, ligando propriedades físico-químicas específicas (logP, TPSA, SASA) à permeabilidade através de diferentes membranas.

4. Resultados Principais

Desempenho Preditivo

• Melhor Modelo: MLP Multitarefa treinado em descritores Percepta alcançou o maior desempenho em todos os alvos.
• Melhor Alvo: O primeiro componente principal (PCA0), representando a variância comum na permeabilidade através de todas as membranas, foi o alvo mais previsível ($R^2_{test} \approx 0,48$).
• Desempenho no Teste Externo: Embora os valores de $R^2$ de validação fossem frequentemente altos (0,5–0,65), os valores de $R^2$ de teste externo caíram significativamente (por exemplo, 0,48 para PCA0, 0,47 para BBB), destacando a dificuldade de generalizar a partir de conjuntos de dados pequenos.
• Hierarquia de Modelos:
  • Modelos MLP geralmente dominaram outras classes.
  • Descritores Percepta superaram consistentemente RDKit, CDDD, MolBERT e ECFP.
  • ECFP performou mal, provavelmente devido à "maldição da dimensionalidade" (2.000 características vs. 143 amostras).
  • CDDD superou MolBERT, sugerindo que, para este domínio químico específico, a abordagem de autoencoder foi mais eficaz do que a abordagem de transformador, dado o tamanho dos dados.

Importância de Características e Interpretabilidade

• Modelos Lineares: Modelos ElasticNet revelaram que características derivadas de alto nível (Biodisponibilidade, Permeabilidade Caco-2, logP, logD, pKa) foram os preditores mais críticos.
• Especificidade da Membrana:
  • Dodecano (DOD): Altamente dependente de logP (lipofilicidade da forma não ionizada) e baixo SASA (Área de Superfície Acessível ao Solvente).
  • BBB: Dependente de baixa TPSA (Área de Superfície Polar Topológica, tipicamente <90 Ų) e faixas específicas de SASA.
  • Coração (H): Mostrou uma distribuição mais ampla de propriedades, sugerindo critérios de seletividade menos rigorosos em comparação com a BBB.
• Efeitos de Carga: A análise de PCA confirmou que cátions e compostos neutros geralmente têm melhor permeabilidade, enquanto ânions e zwitteriões lutam para atravessar membranas passivamente.

Tarefa Múltipla vs. Tarefa Única

• Modelos multitarefa superaram modelos de tarefa única em 105 de 120 comparações. A otimização conjunta permitiu que o modelo aprendesse mecanismos de permeabilidade compartilhados, ao mesmo tempo que capturava nuances específicas de cada membrana.

5. Significado e Conclusão

• Cautela sobre Aprendizado Profundo: O estudo fornece fortes evidências de que, em cenários de tamanho de amostra pequeno (N < 200), descritores interpretáveis projetados por especialistas (Percepta) são superiores a representações de aprendizado profundo pré-treinadas de alta dimensão. Estas últimas são propensas a sobreajuste e oferecem pouco benefício prático quando a interpretabilidade é necessária.
• Valor do Aprendizado Multitarefa: Modelar múltiplos tipos de membrana simultaneamente é crucial para capturar a física subjacente da permeabilidade. Permite a extração de um fator de permeabilidade "universal" (PCA0) que é mais previsível do que qualquer ensaio de membrana individual.
• Limitações dos Modelos Atuais: O estudo destaca que, mesmo os melhores modelos, lutam com membranas específicas (por exemplo, Fígado e PS mostraram baixa previsibilidade), sugerindo que os descritores atuais podem não capturar totalmente as interações complexas de certos extratos lipídicos.
• Direções Futuras: Os autores sugerem que o mau desempenho do RDKit em comparação com o Percepta pode ser devido à falta de previsão precisa de pKa pelo RDKit, o que é crítico para modelar estados de ionização dependentes de pH. Modelos fundamentais futuros devem incorporar supervisão de pKa.

Em resumo, este artigo estabelece um novo marco para modelagem PAMPA, defendendo uma abordagem híbrida que aproveita o aprendizado multitarefa e descritores físico-químicos de especialistas para maximizar a precisão preditiva e a interpretabilidade na descoberta precoce de fármacos.