Pharmacogenomic Knowledge Graph Augmentation for Graph Neural Network-Based Drug-Drug Interaction Prediction

Resumo Técnico: Aumento de Grafo de Conhecimento Farmacogenômico para Predição de DDI Baseada em GNN

Definição do Problema
As abordagens atuais de Redes Neurais de Grafos (GNN) para a predição de Interações Medicamento-Medicamento (DDI) baseiam-se exclusivamente em estruturas moleculares codificadas como grafos derivados de SMILES. Um estudo precedente desta série estabeleceu que o desempenho do modelo é limitado por um "Teto de Informação" ($I(S, L)$), onde o conteúdo de informação estrutural dos rótulos de treinamento limita a capacidade preditiva, independentemente da complexidade arquitetônica. Especificamente, ao serem avaliadas em fármacos estruturalmente inéditos (divisão por nível de fármaco/drug-level split), o desempenho cai significativamente em comparação com os benchmarks de nível de par (pair-level), uma lacuna que refinamentos estruturais isolados não conseguem preencher. Este estudo investiga se a incorporação de conhecimento prévio farmacogenômico — especificamente as relações das enzimas do Citocromo P450 (CYP) provenientes do banco de dados PharmGKB — pode fechar parcialmente este teto ao fornecer contexto de vias metabólicas independente da estrutura molecular.

Metodologia
O estudo propõe uma arquitetura de GNN aumentada por Grafo de Conhecimento (KG) que integra características farmacogenômicas explícitas diretamente na incorporação (embedding) molecular.

• Extração de Características: Anotações para quatro isoformas de CYP clinicamente relevantes (CYP2D6, CYP3A4, CYP2C19, CYP2C9) foram extraídas do PharmGKB. Para cada fármaco, foi construído um vetor de características binárias de 12 dimensões, codificando os papéis de substrato, inibidor e indutor para cada isoforma. Este vetor é concatenado à incorporação molecular. Fármacos não anotados recebem um vetor nulo.
• Arquitetura: O modelo estende um protocolo de treinamento de dois estágios de um trabalho anterior.
  • Estágio 1: Um codificador de atenção cruzada aumentado por KG é treinado na combinação da incorporação molecular e do vetor de características CYP. Este estágio é otimizado independentemente para detecção de interação binária e classificação de tipo de DDI.
  • Estágio 2: Os pesos do Estágio 1 são congelados, e um grafo de interação de aresta física (modelando complementaridade de ligação de hidrogênio e eletrostática) é treinado.
• Datasets e Divisões: Os experimentos utilizaram o dataset SSI-DDI (38.337 pares) e o benchmark Tox21 (8.014 compostos). A avaliação foi conduzida sob duas estratégias de divisão:
  • Nível de Par (Pair-level): Atribuição aleatória de pares de fármacos (80% treino, 20% teste).
  • Nível de Fármaco (Drug-level): 20% dos fármacos únicos foram mantidos inteiramente fora do conjunto, com todos os pares envolvendo esses fármacos atribuídos ao conjunto de teste para medir a generalização para compostos inéditos.
• Validação: Compostos estritamente excluídos (ácido acetilsalicílico e varfarina) foram removidos de todas as divisões de treino e avaliação para servirem como casos de validação mecanística.

Principais Contribuições

1. Pipeline de Características: Desenvolvimento de um pipeline que integra anotações de variantes clínicas, texto de diretrizes e flags de relacionamento do PharmGKB em um vetor de características CYP de 12 dimensões por molécula.
2. Arquitetura Aumentada: Um design de GNN que trata as anotações farmacogenômicas como características binárias explícitas concatenadas às incorporações moleculares, preservando a interpretabilidade e a compatibilidade com arquiteturas baseadas em estrutura.
3. Avaliação Empírica: Uma comparação rigorosa entre baselines baseados apenas em estrutura e modelos aumentados por KG sob divisões de nível de par e de fármaco, quantificando a "inflação de AUC" (a lacuna de desempenho entre as divisões) como uma métrica dos limites de generalização.
4. Extensão de Toxicidade: Aplicação da estratégia de aumento ao benchmark de toxicidade multitarefa Tox21 para investigar a dependência do efeito de aumento em relação à cobertura de anotação.

Resultos

• Classificação de Tipo de DDI: O aumento por KG resultou em melhorias substanciais na classificação de tipos específicos de DDI sob divisões de nível de par. O F1-score médio (macro-averaged) aumentou de 0,241 (baseline apenas estrutura) para 0,532. Isso sugere que os papéis de CYP codificam uma variação mecanística significativa relevante para os 86 tipos de interação.
• Detecção de Interação Binária: As melhorias foram marginais. A AUC de nível de par subiu ligeiramente de 0,865 para 0,892, enquanto a AUC de nível de fármaco caiu para 0,639. A inflação de AUC (diferença entre as divisões de par e fármaco) permaneceu alta em 0,224, comparável à baseline de 0,250, indicando que o Teto de Informação para a existência de interação binária persiste.
• Validação Mecanística: Em compostos estritamente excluídos, o aumento por KG melhorou significativamente as probabilidades de predição para interações mediadas por CYP2C9 (ex: a probabilidade de Varfarina + Fluconazol aumentou de 0,033 para 0,586). Interações mediadas farmacodinamicamente (ex: Varfarina + Ibuprofeno) permaneceram detectáveis via características estruturais isoladamente.
• Extensão Tox21: No benchmark Tox21, o aumento por KG proporcionou uma modesta melhoria média de AUC de +0,018, apesar da baixíssima cobertura de CYP (0,7%). Isso confirma que o efeito de aumento é contingente à cobertura de anotação. A adição de características de dose do ChEMBL (88% de cobertura) não melhorou o desempenho em relação ao aumento por CYP.
• Redundância de Aresta Física: Diferente do modelo baseado apenas em estrutura, adicionar o refinamento de aresta física (Estágio 2) ao modelo aumentado por KG degradou o desempenho (F1-macro caiu de 0,532 para 0,258 nas divisões de nível de par). Isso sugere redundância informacional entre os priors de CYP e as arestas de interação derivadas fisicamente.

Significância e Alegações
O artigo conclui que o conhecimento prévio farmacogenômico melhora a discriminação de tipos específicos de DDI, mas não supera o Teto de Informação fundamental que limita a detecção de interações binárias e a generalização para fármacos inéditos. O estudo valida que a informação estrutural isolada é insuficiente para certas predições mecanísticas, mas mesmo os ricos priors farmacogenômicos não podem resolver totalmente o teto quando a informação do rótulo carece de sinal estrutural.

Os achados apoiam uma mudança para um framework multimodal para trabalhos futuros, argumentando que características farmacogenômicas explícitas são preferíveis a embeddings latentes de grafos de conhecimento quando a qualidade da anotação é heterogênea. Os autores identificam três extensões metodológicas específicas para estudos subsequentes:

1. Treinamento Conjunto: Treinar um único codificador de Estágio 1 para ambas as tarefas (binária e multiclasse) para evitar a degradação da capacidade de classificação de tipo quando os pesos são congelados para o Estágio 2.
2. Codificação Ponderada por Evidência: Implementar um esquema de ponderação logarítmica para diferenciar a qualidade da anotação (ex: Nível 1A vs. Nível 3) sem sacrificar a cobertura.
3. Comparação Direta: Comparar vetores de características explícitos contra embeddings de KG latentes (ex: TransE, RotatE) sob condições de cobertura equivalentes.

O estudo enfatiza que as limitações observadas não se devem à capacidade do modelo, mas ao conteúdo de informação inerente aos rótulos de treinamento, reforçando a necessidade de fontes de dados complementares além da estrutura molecular.