The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

Este artigo argumenta que os penhascos de atividade são, em grande parte, artefatos da representação molecular e da métrica escolhidas, em vez de propriedades moleculares intrínsecas, demonstrando, através de um benchmark de seis etapas em quinze configurações, que diferentes embeddings codificam aspectos distintos do reconhecimento molecular, definindo, assim, implicitamente o que constitui um penhasco de atividade.

O essencial

A Grande Ideia: Não é a Montanha, é o Mapa

Imagine que você é um trilheiro tentando prever o terreno de uma cordilheira (o "Paisagem de Atividade"). Você sabe que, às vezes, dois trilheiros parados muito próximos podem estar em altitudes vastamente diferentes — um está em um pico ensolarado, o outro em um vale profundo e escuro. Na química, isso é chamado de Abismo de Atividade (Activity Cliff): duas moléculas que parecem quase idênticas, mas têm efeitos biológicos muito diferentes.

Por muito tempo, os cientistas pensaram que esses abismos eram apenas uma característica natural das próprias moléculas.

Este artigo argumenta que isso está errado. Os autores afirmam que o fato de você ver um abismo ou uma encosta suave depende inteiramente de como você desenha o mapa.

Se você usar um mapa que mede a distância "atravessando paredes" (um método matemático específico), dois trilheiros podem parecer distantes. Se você usar um mapa que mede a distância "voando em linha reta", esses mesmos trilheiros podem parecer estar logo ao lado um do outro. O artigo prova que o "abismo" nem sempre está na molécula; às vezes, é uma ilusão criada pela régua que você escolheu para medir.

O Experimento: O Pipeline de Detetive de Seis Etapas

Para provar isso, os pesquisadores construíram um "pipeline de detetive de seis etapas" para testar 15 tipos diferentes de mapas (representações) e réguas (métricas) através de três alvos biológicos diferentes (como diferentes tipos de fechaduras que as moléculas tentam abrir).

Aqui está o que eles descobriram em cada etapa, traduzido em analogias:

1. A Armadilha da "Distância Zero" (Geometria)

• O Testo: Diferentes moléculas parecem exatamente iguais no mapa?
• A Descoberta: Alguns mapas (como o "ChemBERTa") são tão borrados que quase todas as moléculas parecem estar paradas exatamente no mesmo lugar. É como um mapa onde todas as cidades são desenhadas sobre o mesmo ponto. Outros mapas (como "Morgan fingerprints") são nítidos e distintos, mas tratam gêmeos 3D (estereoisômeros) como idênticos, embora um seja uma luva para a mão esquerda e o outro uma para a mão direita.

2. A Caça aos Abismos (Enriquecimento)

• O Testo: Se você olhar para os 100 pares de moléculas com aparência mais semelhante, quantos deles são realmente abismos?
• A Descoberta: É aqui que os mapas discordam drasticamente. No mesmo conjunto de dados, um mapa encontrou 142 abismos, enquanto outro encontrou 7.903 abismos.
• A Metáfora: É como procurar buracos em uma estrada. Um mapa diz: "Não há buracos aqui, apenas uma estrada suave". Outro diz: "É um campo minado!". A estrada não mudou; o mapa mudou.

3. O Check de "Íngreme" (Gradientes)

• O Testo: Quão súbitas são as quedas na paisagem?
• A Descoberta: Alguns mapas mostram uma paisagem que é majoritariamente suave, com encostas gentis. Outros mostram uma paisagem cheia de quedas repentinas e aterrorizantes. Curiosamente, o alvo "Dopamina D2" (uma proteína específica) parecia ter uma paisagem naturalmente mais acidentada do que os outros, independentemente do mapa utilizado.

4. O Testo da "Ilha" (Topologia)

• O Testo: Os abismos formam ilhas distintas ou estão todos amontoados em um grande bloco?
• A Descoberta: Bons mapas mostram os abismos como ilhas distintas, o que ajuda os cientistas a entender por que o abismo existe (ex: "Ah, este grupo inteiro de moléculas falha por causa desta forma específica"). Mapas ruins colapsam tudo em um único bloco confuso onde você não consegue distinguir nada.

5. O Jogo da "Previsão" (Aprendizado de Máquina)

• O Testo: Um computador consegue aprender a prever abismos apenas olhando para o mapa?
• A Descoberta: Se o mapa for borrado (como o mapa "ChemBERTa"), o computador fica confuso e adivinha aleatoriamente. Se o mapa tiver uma estrutura clara, o computador consegue aprender os padrões. Isso confirmou que o "abismo" é uma propriedade da geometria do mapa, não apenas da biologia.

6. O Check do "Mundo Real" (Estereoisômeros e Pares)

• O Testo: Eles observaram dois cenários específicos do mundo real:
  • Estereoisômeros: Moléculas que são imagens espelhadas (como mãos esquerda e direita).
  • Pares Combinados (Matched Pairs): Moléculas que diferem por apenas uma pequena troca química.
• A Descoberta:
  • Fingerprints (mapas de estilo antigo) são terríveis para ver imagens espelhadas (acham que a mão esquerda e a direita são a mesma coisa), mas ótimos para ver pequenas trocas químicas.
  • Embeddings Aprendidos (mapas de IA) são ótimos para ver imagens espelhadas, mas às vezes perdem as pequenas trocas.
  • Conclusão: Nenhum mapa é perfeito para tudo.

As Principais Conclusões

1. Não existe um "Melhor" Mapa
O artigo conclui que você não pode simplesmente escolher uma única "melhor" maneira de medir moléculas.

• Se você quer encontrar abismos entre moléculas que parecem muito semelhantes (alta similaridade), os Morgan fingerprints são os melhores.
• Se você precisa diferenciar moléculas de mão esquerda e direita (estereoquímica), o MolFormer é o único que funciona bem.
• Se você está procurando por pequenas trocas químicas, MACCS ou R ・RDKit fingerprints são os melhores.

2. O "Abismo" é uma Escolha
Quando um cientista diz: "Estas duas moléculas são um abismo de atividade", ele está, na verdade, dizendo: "Estas duas moléculas são um abismo de atividade de acordo com o mapa e a régua específicos que eu escolhi". Se você mudar o mapa, o abismo pode desaparecer ou surgir do nada.

3. A Regra do "Não Existe Almoço Grátis"
Assim como na economia, não existe "almoço grátis" na química. Você não pode ter um mapa que seja perfeito para ver imagens espelhadas, perfeito para ver pequenas trocas e perfeito para prever abismos, tudo ao mesmo tempo. Diferentes mapas destacam diferentes características do mundo molecular.

Resumo

Este artigo é um aviso aos cientistas: Não confie cegamente no mapa. A maneira como você escolhe visualizar e medir as moléculas muda fundamentalmente a história que você conta sobre como elas funcionam. Para entender a verdadeira natureza de uma droga, você precisa saber através de qual "lente" está olhando, porque a própria lente cria os abismos que você vê.

Resumo técnico

Resumo Técnico: A Geometria dos Penhascos de Atividade

Declaração do Problema

Os penhascos de atividade — pares de compostos estruturalmente semelhantes que exibem grandes diferenças na potência biológica — são amplamente considerados características intrínsecas de conjuntos de dados químicos que definem os limites da previsibilidade nas relações estrutura-atividade (SAR). No entanto, a definição de um penhasco de atividade é operacional, dependendo de dois limiares definidos pelo usuário: uma lacuna de potência (tipicamente $\ge$ 1 log unit) e um corte de similaridade estrutural.

O problema central abordado neste trabalho é que a similaridade estrutural não é uma propriedade intrínseca de um par de moléculas, mas uma propriedade do espaço métrico no qual as moléculas estão inseridas. Consequentemente, a escolha da representação molecular (embedding) e da métrica de similaridade dita fundamentalmente quais pares se qualificam como penhascos, quantos existem e se são previsíveis. Os autores argumentam que o campo convergiu para os fingerprints de Morgan com similaridade de Tanimoto como um padrão, sem caracterizar sistematicamente como diferentes representações organizam o panorama de atividade. Essa falta de estudo sistemático leva a conclusões sobre panoramas de atividade que podem refletir a escolha da métrica em vez da biologia subjacente.

Metodologia

Os autores propõem um pipeline de análise de seis etapas projetado para testar sistematicamente a hipótesagem de que os penhascos de atividade são uma convolução da geometria da representação e da biologia do alvo. Este pipeline investiga propriedades geometricamente distintas do panorama de atividade, ordenadas por escala e dependência lógica. A falha em uma etapa anterior torna as etapas subsequentes interpretáveis.

O pipeline foi aplicado a quinze configurações (embedding, métrica) através de três conjuntos de dados de bioatividade (Protease Principal do SARS-CoV-2, Fator Xa e Receptor de Dopamina D2), conhecidos por seus desafios de penhascos de atividade. As configurações incluíram:

• Fingerprints Clássicos: Morgan (raio 2, 1024 bits), RDKit topológico e chaves MACCS (166 bits).
• Embeddings Aprendidos: MolFormer, ChemBERTa e Chemeleon (MPNN treinado em descritores Mordred).
• Métricas: Distâncias de Tanimoto, Dice, Cosseno, L1 e L2.

O Pipeline de Seis Etapas

1. Geometria de Distância Pareada: Analisa a distribuição de distâncias pareadas para identificar limitações fundamentais. As métricas incluem a fração de pares de distância zero ($p_0$), coeficiente de variação (CV) para o intervalo discriminativo, contraste relativo (RC) e assimetria de hubness ($S_{Nk}$) para detectar problemas de confiabilidade de vizinhança.
2. Enriquecimento de Penhascos de Atividade: Avalia a fração cumulativa de penhascos ($F(n)$) entre os $n\%$ de pares mais similares. Uma curva mais baixa indica melhor desempenho (menos penhascos entre pares similares). O coeficiente de enriquecimento $G$ quantifica a magnitude da depleção de penhascos.
3. Distribuição do Gradiente de Atividade: Computa o Índice de Panorama de Estrutura-Atividade (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$, para todos os pares. A distribuição desses gradientes é ajustada a uma função de sobrevivência de Kohlrausch–Williams–Watts (KWW) para determinar o parâmetro de forma $b$. $b=2$ indica um panorama suave, de cauda leve (teto de Rayleigh), enquanto $b<2$ indica caudas pesadas e gradientes extremos frequentes.
4. Homologia Persistente do Subespaço de Penhascos: Utiliza filtração de Vietoris–Rips em moléculas envolvidas em penhascos para rastrear componentes conectados ($H_0$). A persistência média ($\mu_{pers}$) e a persistência máxima ($p_{max}$) medem a separação topológica de clusters propensos a penhascos.
5. Sondas Geométricas da Estrutura Representacional: Treina classificadores (Regressão Logística, XGBoost, redes Siamese) na diferença absoluta de embedding $|e_i - e_j|$ para prever a existência de penhascos. Estatísticas de gap ($\Delta_{lin}$ e $\Delta_{arch}$) caracterizam a riqueza de linearidade vs. não-linearidade e de interação de características do espaço de embedding.
6. Benchmarking de Verdade Química Fundamental: Valida as representações contra duas subpopulações estruturalmente definidas, independentes da própria medida de similaridade do pipeline:
   • Isômeros Estereoquímicos: Pares com grafos idênticos, mas configurações 3D diferentes.
   • Pares Moleculares Correspondentes (MMPs): Pares relacionados por uma única transformação química.
   • O desempenho é classificado pelo coeficiente de variação (CV) da distribuição de distância entre os pares de penhascos dentro dessas subpopulações.

Resultados Principais

1. Dependência da Representação na Contagem de Penhascos

A escolha da representação altera drasticamente o número observado de penhascos de atividade. No conjunto de dados SARS-CoV-2, com 90% de similaridade, o número de pares de penhascos identificados variou por um fator de 55 entre as configurações:

• Morgan Tanimoto: 142 pares.
• Chemeleon Cosseno: 752 pares.
• RDKit Dice: 7.903 pares.
  Isso demonstra que a "característica de penhasco" de um conjunto de dados é, em grande parte, um artefato geométrico da representação escolhida.

2. Desempenho por Tipo de Representação

• Morgan Tanimoto: Exibe o mais forte enriquecimento de penhascos ($G$) e generalização entre scaffolds. Sua geometria é bimodal (distribuída Beta), organizando o espaço em torno da identidade do scaffold. No entanto, sofre de cegueira estereoquímica completa ($p_{0,stereo} = 100\%$).
• MolFormer Cosseno: A única configuração que demonstra sensibilidade estereoquímica significativa (alto CV para isômeros estereoquímicos, $p_{0,stereo} = 0$). Ele codifica a informação de estereocentros como variação direcional, tornando a distância de cosseno (sensível a diferenças angulares) superior à L1/L2.
• MACCS e RDK রkit Dice: Mais sensíveis a transformações de pares moleculares correspondentes (MMP), alcançando o maior CV para MMPs. Eles codificam padrões de nível de fragmento de forma eficaz, mas compartilham a cegueira estereoquímica de outros fingerprints.
• ChemBERTa: Falha uniformemente em todos os critérios devido ao "colapso de embedding". Produz distâncias severamente concentradas (baixo CV, alto hubness), resultando em um espaço geometricamente degenerado onde a maioria das moléculas parece semelhante, independentemente da atividade.
• Chemeleon: Produz a estrutura de penhasco topológica mais rica (alta persistência), mas mostra forte dependência de métrica; distâncias L1/L2 colapsam topologicamente no alvo Dopamina D2, enquanto o Cosseno retém a estrutura.

3. Rugosidade do Panorama por Alvo

A análise revela diferenças intrínsecas nos panoramas de atividade, independentes da representação:

• SARS-CoV-2: O panorama mais suave (maiores valores de $b$, aproximando-se do teto de Rayleigh $b=2$).
• Factor Xa: Rugosidade intermediária.
• Dopamina D2: O panorama mais rugoso. Nenhuma configuração atingiu $b=2$ neste alvo, indicando que descontinuidades estruturadas persistem independentemente do embedding. Os autores atribuem isso à flexibilidade conformacional de GPCRs e à agregação de dados de ensaios heterogêneos no ChEMBL.

4. Não Redundância das Etapas do Pipeline

Cada etapa revelou modos de falha invisíveis para as outras. Por exemplo, o RDKit mostrou um alto intervalo discriminativo (Etapa 1), mas baixo enriquecimento de penhascos (Etapa 2) e caudas de gradiente pesadas (Etapa 3). A homologia persistente (Etapa 4) revelou colapsos topológicos no RDKit e no Chemeleon que não foram totalmente capturados pelas estatísticas pareadas.

Significância e Alegações

O artigo afirma que os penhascos de atividade não são propriedades intrínsecas de pares de moléculas, mas sim propriedades emergentes do par (embedding, métrica) escolhido. Os autores não propõem uma única "melhor" representação; em vez disso, argumentam que diferentes representações codificam aspectos diferentes e parcialmente não sobrepostos do reconhecimento molecular:

• Fingerprints são excelentes para transformações de nível de scaffold e fragmento, mas falham na estereoquímica.
• Embeddings aprendidos (especificamente com distância de Cosseno) são excelentes na sensibilidade estereoquímica, mas podem carecer da especificidade de fragmento dos fingerprints para MMPs.
• Não há "Almoço Grátis": Nenhuma configuração se destaca em todos os critérios simultaneamente.

A significância deste trabalho reside no fornecimento de um framework para diagnosticar as propriedades geométricas dos panoramas de atividade. Sugere que selecionar uma representação sem caracterizar sua geometria leva a conclusões que refletem a métrica, e não a biologia. Os autores propõem que o campo deve se afastar de um padrão universal (Morgan/Tanimoto) em direção à seleção específica para cada tarefa:

• Use Morgan Tanimoto para análise de SAR dentro de séries estruturais.
• Use MolFormer Cosseno para tarefas sensíveis à estereoquímica.
• Use MACCS/RDKit Dice para anotação de transformações de MMP.
• Use Chemeleon Cosseno para exploração topológica global.

Finalmente, o artigo sugere que a "rugosidade" do panorama de atividade de um alvo (por exemplo, a dificuldade intrínseca de prever a atividade da Dopamina D2) pode ser identificada através do consenso entre múltiplas representações, distinguindo a complexidade biológica de artefatos de representação.