PredHLM: quantitative and interpretable prediction of metabolic half-life in human liver microsomes

Resumo Técnico: PredHLM – Predição Quantitativa e Interpretável da Meia-Vida Metabólica em Microsomas Hepáticos Humanos

Definição do Problema
A estabilidade metabólica em microsomas hepáticos humanos (HLM) é um determinante farmacocinético crítico que influencia a exposição sistêmica, o clearance e a biodisponibilidade oral. Embora os ensaios experimentais de HLM sejam o padrão ouro para avaliar o metabolismo de Fase I, eles são intensivos em mão de obra e recursos, criando gargalos para a triagem virtual em larga escala na fase inicial da descoberta de fármacos. Os modelos computacionais existentes frequentemente sofrem de três limitações: (1) são predominantemente baseados em classificação (estável vs. instável), carecendo da granularidade necessária para a otimização de compostos-líder (lead optimization); (2) enfrentam dificuldades com o ruído experimental inerente e a heterogeneidade de conjuntos de dados públicos, o que leva muitos pesquisadores a evitar a regressão quantitativa; e (3) muitas vezes funcionam como "caixas pretas", falhando em fornecer insights químicos que se alinhem aos conhecidos pontos de vulnerabilidade metabólica (metabolic soft-spots). Consequentemente, a predição direta, quantitativa e interpretável da meia-vida ($T_{1/2}$) contínua de HLM permanece subexplorada.

Metodologia
Os autores desenvolveram o PredHLM, uma estrutura de aprendizado de máquina quantitativa projetada para predizer diretamente a meia-vida de HLM.

• Curadoria de Dados: O estudo integrou um conjunto de dados de 11.790 compostos únicos, combinando dados internos do Korea Chemical Bank (KCB) com dados públicos curados do ChEMBL (v36) e PubChem.
  • Os endpoints experimentais incluíram a meia-vida medida e a porcentagem restante aos 30 minutos.
  • Os valores de porcentagem restante foram convertidos em meia-vida usando uma equação cinética de primeira ordem.
  • Foi aplicada um controle de qualidade rigoroso: sistemas não-HLM (ex: hepatócitos, frações S9) foram excluídos, dados censurados foram tratados com limites específicos e duplicatas de compostos foram calculadas pela média.
  • Os dados foram transformados em log10 para reduzir a assimetria, e outliers foram removidos pelo método da amplitude interquartil.
• Representação Molecular (Featurization): Quatro esquemas de representação molecular foram avaliados: impressões digitais ECFP4 (2.048 bits), descritores 2D do RDKit, descritores Mordred e chaves MACCS.
• Arquiteturas de Modelos: Nove algoritmos preditivos foram testados, incluindo perceptron multicamadas (MLP), k-vizinhos mais próximos (k-NN), regressão de kernel (KRR), máquinas de vetor de suporte (SVM) e métodos baseados em árvores (Random Forest, LightGBM, XGBoost, CatBoost). Adicionalmente, uma Rede Neural de Passagem de Mensagem Comunicativa (CMPNN) e suas variantes (com mecanismos de atenção e concatenação de características) foram testadas.
• Treinamento e Avaliação:
  • O conjunto de dados foi dividido em 9:1 entre conjuntos de treinamento e de teste independente.
  • Os hiperparâmetros foram otimizados via validação cruzada de 5 dobras usando Optuna.
  • Uma divisão baseada em andaimes (scaffold-based split, frameworks de Bemis–Murcko) foi empregada para avaliar a generalização para novos quimiotipos, garantindo que não houvesse sobreposição de scaffolds entre o treinamento e o teste.
  • Domínio de Aplicabilidade (AD): A confiabilidade da predição foi avaliada usando uma pontuação de Soma de Contribuição Ponderada pela Distância (SDC) baseada na similaridade de Tanimoto com o conjunto de treinamento.
  • Interpretabilidade: Explicações de Aditividade de Shapley (SHAP) foram usadas para quantificar as contribuições das características e elucidar o processo de decisão do modelo.
• Resultos Principais:
• Desempenho do Modelo: O modelo XGBoost utilizando descritores 2D do RDKit alcançou o melhor desempenho preditivo.
  • No conjunto de teste independente, apresentou um RMSE de 0,507 e um $R^2$ de 0,431.
  • Na validação cruzada, alcançou um RMSE de 0,515 e $R^2$ de 0,410.
  • Embora os modelos baseados em grafos (CMPNN) tenham performado competitivamente, eles não superaram o modelo XGBoost baseado em descritores. Os autores mantiveram os descritores 2D do RDKit por sua parcimônia (~800 descritores a menos que o Mordred) e interpretabilidade.
• Generalização: Sob a rigorosa divisão baseada em scaffolds, o modelo manteve um desempenho robusto (RMSE de teste independente de 0,536), indicando que ele generaliza para novos quimiotipos em vez de depender da memorização de análogos.
• Domínio de Aplicabilidade: A análise mostrou uma forte correlação entre a pontuação SDC e o erro de predição. Compostos com altas pontuações SDC (bem representados no espaço de treinamento) exibiram RMSE menor, com os 8,9% superiores de compostos atingindo um $R^2$ de 0,683.
• Benchmarking Externo: Ao ser convertido para uma tarefa de classificação binária (estável se $T_{1/2} > 30$ min), o PredHLM superou modelos de referência (Ryu et al. e Shah et al.) em acurácia (0,675), MCC (0,361) e ROC-AUC (0,736) em um conjunto externo de 969 compostos.
• Interpretabilidade (SHAP):
  • Lipofilicidade (MolLogP) foi a característica mais influente, com maior lipofilicidade impactando negativamente a meia-vida predita (consistente com o aumento da oxidação mediada por CYP).
  • Pontos de Vulnerabilidade Metabólica (Soft-spots): Descritores para grupos metila arílicos, locais de oxidação alílica e ésteres mostraram contribuições negativas (reduzindo a estabilidade).
  • Características Estabilizadoras: A contagem de halogênios e grupos de ácido carboxílico mostraram contribuições positivas, alinhando-se com estratégias para bloquear sítios metabólicos e a reduzida suscetibilidade de ácidos à oxidação de Fase I na ausência de cofatores de Fase II.

Significância e Alegações
O artigo afirma que o PredHLM fornece uma estrutura prática para definir margens de estabilidade metabólica, apoiando tanto decisões rápidas de "Go/No-go" quanto a priorização fina de compostos durante a otimização de leads. Ao oferecer predições quantitativas (meia-vida contínua) em vez de categóricas, o modelo preserva a informação de estabilidade que os modelos de classificação descartam. Além disso, a integração da análise SHAP garante que o modelo seja interpretável, alinhando suas predições com princípios estabelecidos de química medicinal relativos à lipofilicidade e pontos de vulnerabilidade metabólica.

Os autores posicionam explicitamente o PredHLM como uma ferramenta de suporte à decisão, e não como um substituto para ensaios experimentais. Eles reconhecem limitações, incluindo a dependência do modelo em dados de Fase I (excluindo Fase II, transportadores e efeitos in vivo), a incerteza introduzida pela conversão de porcentagem restante para meia-vida e a variabilidade inerente dos dados experimentais. O código-fonte, os dados e o modelo treinado são disponibilizados publicamente para apoiar a reprodutibilidade e o desenvolvimento futuro.