HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

O câncer raramente é derrotado por uma única arma. No complexo cenário de um tumor, um único fármaco frequentemente atinge um alvo que as células cancerígenas aprendem rapidamente a contornar, ou danifica o tecido saudável de forma tão severa que o tratamento deve ser interrompido. Para superar isso, os médicos recorrem frequentemente à terapia combinada, utilizando dois ou mais fármacos ao mesmo tempo. O objetivo é encontrar pares que trabalhem juntos de uma forma especial: quando o efeito combinado é maior do que a simples soma de seus efeitos individuais. Os cientistas chamam isso de "sinergia". É a diferença entre dois soldados lutando uma batalha e dois soldados lutando como uma unidade única e imparável. No entanto, encontrar esses pares poderosos é uma tarefa monumental. Com milhares de fármacos disponíveis e centenas de diferentes tipos de células cancerígenas, o número de combinações possíveis é tão vasto que testá-las todas em um laboratório levaria séculos e custaria bilhões de dólares.

Como o teste físico é tão lento e caro, os pesquisadores recorreram aos computadores para atuar como um filtro. Eles constroem modelos matemáticos para prever quais pares de fármacos funcionarão melhor juntos antes que uma única gota de líquido seja misturada em um laboratório. Durante anos, esses modelos computacionais dependeram de dois tipos principais de informação: a estrutura química dos fármacos e a composição genética das células cancerígenas. Mas esses modelos tiveram dificuldade em generalizar. Eles frequentemente apresentam bons resultados ao prever resultados para fármacos e células que já conheciam, mas falham miseravelmente quando solicitados a prever resultados para fármacos inteiramente novos ou novos tipos de células cancerígenas. O desafio tem sido criar um sistema que não apenas memorize resultados passados, mas que compreenda verdadeiramente como os fármacos e as células interagem de uma forma que se aplique ao desconhecido.

Uma equipe de pesquisadores da Universidade de Teerã e da Universidade Aalto, na Finlândia, propôs uma nova abordagem para este problema, que chamam de HA-DMF. O trabalho deles sugere que prever a sinergia de fármacos não é apenas sobre combinar características, como encaixar uma chave em uma fechadura, mas sobre aprender os padrões ocultos de interação entre o par de fármacos e o ambiente celular específico. Para fazer isso, eles construíram um sistema híbrido que combina duas formas diferentes de pensar. A primeira parte do sistema observa os dados brutos de experimentos passados para aprender as regras "latentes" ou ocultas de como os fármacos se comportam juntos. A segunda parte traz informações biológicas detalhadas sobre os fármacos e as células, usando um tipo especial de mecanismo de atenção para decidir quais partes da informação são mais importantes para uma situação específica.

Os pesquisadores testaram seu sistema em uma coleção massiva de dados do banco de dados DrugComb, que contém resultados de mais de 144.000 experimentos de fármacos em 211 diferentes linhagens de células cancerígenas. Eles alimentaram o computador com um tipo específico de informação sobre os fármacos: uma impressão química detalhada que mapeia a forma da molécula e uma representação aprendida que captura o comportamento do fármaco com base em vastas quantidades de dados químicos não rotulados. Para as células cancerígenas, em vez de usar o conjunto completo e ruidoso de instruções genéticas, utilizaram um conjunto compacto de sinais de microRNA, que são pequenas moléculas que atuam como reguladores de como os genes são ligados ou desligados. Esta escolha foi deliberada; os pesquisadores descobriram que esses sinais regulatórios menores forneciam uma imagem mais clara do estado da célula sem a confusão de dados extras excessivos.

O cerne de sua inovação reside em como o computador processa essa informação. Em vez de apenas empilhar todos os dados, o sistema utiliza um módulo de "fatoração de matriz profunda". Imagine isso como uma forma de organizar o vasto histórico de experimentos de fármacos em um mapa compacto de relações ocultas. O computador aprende a posicionar fármacos e células em um espaço compartilhado onde aqueles que se comportam de forma semelhante estão próximos uns dos outros. Isso permite que o modelo faça suposições fundamentadas sobre novas combinações com base nos padrões que já aprendeu. Mas o modelo não para por aí. Ele utiliza mecanismos de atenção direcionais para observar as características químicas específicas dos fármacos e os sinais regulatórios da célula. Ele faz a pergunta: para este par de fármacos específico nesta célula específica, quais detalhes químicos e quais sinais celulares estão realmente impulsionando a sinergia? Isso permite que o modelo adapte seu foco, ponderando a informação mais relevante para cada cenário único.

Quando os pesquisadores testaram o HA-DMF contra outros métodos líderes, os resultados foram claros. No teste mais padrão, onde o modelo prevê resultados para combinações de fármacos que não viu antes, mas onde os fármacos e células individuais são familiares, o novo modelo alcançou uma correlação de 0,832 com os resultados experimentais reais. Isso foi significamente superior ao próximo melhor método, que pontuou em torno de 0,70. Mais importante ainda, o novo modelo cometeu menos erros grandes. Ele previu a força da sinergia com um erro médio de 5,7 pontos, comparado a 7,35 para o próximo melhor método. Essa precisão é importante porque, no mundo real, uma pequena diferença em uma pontuação prevista pode determinar se um par de fármacos será selecionado para testes laboratoriais caros ou descartado.

Os pesquisadores também levaram o modelo ao limite para ver quão bem ele lidaria com situações verdadeiramente novas. Eles o testaram em cenários onde pares inteiros de fármacos eram novos, onde linhagens celulares inteiras eram novas e onde até mesmo um único fármaco no par nunca havia sido visto antes. Como esperado, o desempenho do modelo caiu conforme as tarefas se tornavam mais difíceis, o que é uma limitação natural de qualquer sistema preditivo. No entanto, o HA-DMF ainda superou os outros métodos na classificação correta das combinações, mesmo quando não conseguia prever os números exatos com alta precisão. Isso sugere que o modelo aprendeu uma compreensão robusta das regras de interação que pode ser transferida para novos contextos.

Uma análise mais detalhada dos componentes do modelo revelou que cada parte desempenhou um papel vital. Quando os pesquisadores removeram os padrões aprendidos dos dados brutos, a precisão do modelo caiu significamente, provando que aprender com experimentos passados é essencial. Quando removeram as impressões químicas ou os sinais regulatórios, o desempenho também caiu, mostrando que os detalhes biológicos fornecem o contexto necessário. Talvez o mais surpreendente seja que, quando removeram o mecanismo de "atenção" que permite ao modelo focar em detalhes específicos, os resultados pioraram. Isso confirmou que a capacidade de pesar seletivamente diferentes partes da informação não é apenas um bônus, mas um requisito fundamental para uma previsão precisa. O modelo não trata todos os fármacos e células da mesma forma; ele aprende a ouvir os sinais certos para a situação certa.

O estudo também examinou como o modelo se comportava através de diferentes níveis de interação de fármacos. Ele teve um desempenho muito bom na faixa intermediária, onde a maioria das combinações de fármacos se encontra, prevendo com precisão se eles teriam um efeito fraco ou moderado. No entanto, como muitos sistemas, ele tendeu a ser conservador ao prever os casos mais extremos. Quando um par de fármacos mostrava um efeito sinérgico muito forte no laboratório, o modelo frequentemente previa um efeito forte, mas ligeiramente inferior ao observado de fato. Os pesquisadores observam que este é um resultado mais seguro do que o oposto. Na descoberta de fármacos, é melhor subestimar ligeiramente uma combinação poderosa e investigá-la mais a fundo do que superestimar uma fraca e desperdiçar recursos em um beco sem saída.

O trabalho de Abbasi, Rousu e Gharaghani sugere uma mudança na forma como abordamos a descoberta de fármacos. Em vez de visualizar o problema simplesmente como o ajuste das características de um fármaco às características de uma célula, eles mostram que é mais eficaz tratar o problema como um problema de aprendizagem, onde o sistema descobre as regras ocultas de interação. Ao combinar a capacidade de aprender com dados passados com uma compreensão profunda da estrutura molecular e da regulação celular, o HA-DMF oferece uma ferramenta prática para priorizar quais combinações de fármacos valem a pena ser testadas. Embora não seja uma solução mágica capaz de prever todo resultado perfeitamente, fornece uma bússola confiável para navegar no vasto e complexo oceano de possíveis tratamentos contra o câncer, ajudando os cientistas a focar seus esforços nas combinações com maior probabilidade de sucesso.