Ark-ADMET: endpoint-specific selection of molecular representations and hyperparameters for gradient-boosted ADMET models under the Therapeutics Data Commons benchmark protocol

Desenvolver um novo medicamento é um processo de eliminação que começa muito antes de uma pílula chegar à prateleira de uma farmácia. Os cientistas devem prever como um composto químico se comportará dentro do corpo humano, fazendo uma série de perguntas críticas: Será absorvido pelo intestino? Viajará para o cérebro? O fígado o decomporá rápido demais ou ele envenenará o coração? Essas propriedades, conhecidas coletivamente como ADMET, determinam se uma molécula promissora se tornará um medicamento que salva vidas ou um experimento fracassado. Como testar essas características em sistemas vivos é lento e caro, os pesquisadores dependem de modelos computacionais para triar milhares de candidatos. Esses modelos atuam como um filtro, usando padrões matemáticos para adivinhar o destino de uma molécula com base em sua forma e composição química. No entanto, os processos biológicos que eles tentam prever são tremendamente diferentes entre si; uma regra que ajuda a prever a toxicidade hepática pode ser inútil para prever quão bem um fármaco se dissolve na água.

Durante anos, a abordagem padrão neste campo tem sido aplicar um modelo computacional único e uniforme para cada pergunta individual. Os pesquisadores pegavam um tipo de representação matemática de uma molécula e um algoritmo específico, e então executavam essa mesma configuração em todos os vinte e dois diferentes testes biológicos disponíveis em um grande banco de dados público. Este método de "tamanho único" assume que a melhor maneira de descrever uma molécula para uma tarefa também é a melhor para todas as outras. Um novo estudo desafia essa suposição. Os pesquisadores por trás do trabalho, conhecidos como Ark-ADMET, argumentam que, como essas questões biológicas são tão distintas, as ferramentas usadas para respondê-las devem ser igualmente variadas. Em vez de forçar uma única receita para vinte e dois problemas diferentes, eles se propuseram a ver se customizar a abordagem para cada pergunta específica poderia gerar melhores resultados sem inventar uma tecnologia inteiramente nova.

A equipe trabalhou dentro do Therapeutics Data Commons, uma grande coleção pública de dados usada para avaliar o desempenho de diferentes modelos computacionais. Eles focaram em vinte e dois endpoints específicos, que variam desde como um fármaco se move através do sangue até se ele causa danos ao fígado. Em vez de construir uma nova e complexa rede neural do zero, eles pegaram um motor comprovado e confiável chamado modelo de árvore de gradiente impulsionado (gradient-boosted tree model) e o combinaram com um processo de seleção flexível. Eles reuniram um conjunto de ferramentas de diferentes maneiras de descrever uma molécula. Esse conjunto de ferramentas incluía impressões digitais químicas padrão que mapeiam o arranjo dos átomos, medições tridimensionais da forma da molécula e embeddings avançados gerados por computador que capturam padrões estruturais complexos. Eles também incluíram uma rede neural secundária e mais simples que poderia ser mesclada com o modelo principal.

O núcleo do trabalho deles foi um protocolo de seleção rigoroso projetado para evitar o viés. Em muitos estudos, os pesquisadores podem ajustar seu modelo após verem os resultados finais do teste para fazer com que os números pareçam melhores, mas isso introduz viés. Para evitar isso, a equipe dividiu seus dados cuidadosamente. Eles usaram uma parte específica dos dados, chamada de conjunto de validação interna, para decidir quais ferramentas manter para cada uma das vinte e duas perguntas. Se uma nova combinação de descrições moleculares ou um pequeno ajuste nas configurações do modelo melhorasse a pontuação neste conjunto interno, eles a mantinham. Se não melhorasse, eles permaneciam com a versão anterior. Crucialmente, eles nunca olharam para os dados de teste finais e ocultos até que todas as decisões estivessem travadas. Isso garantiu que qualquer melhoria observada fosse genuína e não apenas um palpite de sorte.

Os resultados mostraram que a customização funciona. Quando compararam seus vinte e dois modelos únicos e personalizados contra um recorte congelado do ranking público, a abordagem deles igualou ou superou as melhores pontuações existentes em sete das vinte e uma perguntas classificáveis. Em três dessas perguntas, suas pontuações foram estritamente melhores do que qualquer resultado registrado anteriormente. Por exemplo, eles melhoraram a previsão de quão rapidamente um fármaco é eliminado por microsomas hepáticos e quão bem ele se liga às proteínas do sangue. O estudo revelou que não existe um único conjunto de "melhores" características que funcione para tudo. Para algumas perguntas, adicionar uma descrição de forma tridimensional ajudou; para outras, tornou as coisas piores. Para algumas, um tipo específico de embedding computacional baseado em grafos era essencial; para outras, era totalmente ignorado. A única característica que permaneceu em todos os modelos foi um bloco central de impressões digitais químicas padrão, mas todo o resto foi escolhido especificamente para a tarefa em questão.

Interessantemente, o estudo também destacou os limites dos dados. Os modelos que tiveram o melhor desempenho foram, em geral, aqueles onde os pesquisadores tinham um grande número de exemplos de treinamento para trabalhar. Para as perguntas onde os modelos tiveram classificações mais baixas, os conjuntos de dados eram frequentemente muito pequenos, contendo menos de mil exemplos. Isso sugere que, quando há pouquíssimos dados para aprender, mesmo a seleção mais inteligente de ferramentas não consegue encontrar facilmente uma resposta melhor. Os pesquisadores também observaram que, para uma tarefa específica envolvendo a lipofilicidade de fármacos, um tipo diferente de modelo chamado rede de passagem de mensagens (message-passing network) na verdade superou a abordagem baseada em árvores deles, provando que nenhum algoritmo único é superior para todos os trabalhos.

As descobertas oferecem um caminho prático para o campo. Os pesquisadores demonstraram que o desempenho competitivo não requer a invenção de uma arquitetura nova e não testada ou a imposição de um conjunto único de características a todos os problemas. Simplesmente selecionando a combinação certa de ferramentas existentes e publicadas para cada pergunta biológica específica, eles alcançaram resultados de alto nível. Essa abordagem respeita a natureza única de cada endpoint biológico. Sugere que, no futuro, a maneira mais eficaz de prever o comportamento de fármacos pode não ser construir um modelo maior e mais complexo, mas sim ser mais criterioso sobre quais ferramentas específicas são usadas para responder a cada pergunta específica. O estudo conclui que uma receita uniforme não é necessária para o sucesso; em vez disso, uma abordagem personalizada, fundamentada em uma validação rigorosa, fornece uma alternativa poderosa e acessível para o avanço da descoberta de fármacos.