A Hybrid Grey Wolf Optimizer and Differential Evolution Wrapper for Descriptor Selection in QSAR Modelling

Resumo Técnico: Um Otimizador de Lobo Cinzento Híbrido e um Wrapper de Evolução Diferencial para Seleção de Descritores em Modelagem QSAR

Definição do Problema
A modelagem de Relação Estrutura-Atividade Quantitativa (QSAR) frequentemente sofre com a "maldição da dimensionalidade", onde espaços de descritores moleculares de alta dimensão contendo variáveis redundantes, irrelevantes e ruidosas degradam a precisão preditiva, inflam a variância e obscurecem a interpretação mecanística. Embora a seleção de descritores seja um pré-requisito para modelos robustos, a natureza combinatória da tarefa ($2^n$ subconjuntos) torna a busca exaustiva computacionalmente proibitiva. As abordagens metaheurísticas existentes, como o Otimizador de Lobo Cinzento (GWO), frequentemente sofrem de convergência prematura e aprisionamento em ótimos locais ao navegar em paisagens multimodais de alta dimensão. Além disso, a aplicabilidade de metaheurísticas híbridas a espaços de descritores químicos — que possuem estruturas únicas de variáveis físico-químicas e de impressões digitais (fingerprints) mistas — permanece subexplorada.

Metodologia
O estudo propõe uma estratégia de seleção de descritores baseada em wrapper que hibridiza o Otimizador de Lobo Cinzento (GWO) com a Evolução Diferencial (DE). Os componentes centrais da metodologia incluem:

• Mecanismo de Busca Híbrido: O algoritmo integra a hierarquia de liderança exploratória do GWO (guiada por lobos alfa, beta e delta) com os operadores de mutação e cruzamento exploratórios do DE. Em cada iteração, uma estimativa guiada pelo GWO é computada, e um vetor mutante de DE é gerado. Estes são combinados via cruzamento binomial para formar um vetor de teste, permitindo que o algoritmo equilibre a convergência rápida com a preservação da diversidade da população.
• Mapeamento Binário: Como o GWO e o DE operam em espaços contínuos enquanto a seleção de descritores requer decisões binárias (incluir/excluir), uma função de transferência em forma de V ($T(p) = |\tanh(p)|$) é empregada para mapear coordenadas contínuas para probabilidades de seleção. Esta função depende da magnitude da coordenada em vez de seu sinal, evitando viés sistemático para inclusão ou exclusção.
• Função de Aptidão (Fitness): Um problema bi-objetivo é escalonado usando uma agregação ponderada: $f(x) = \alpha \cdot \text{RMSE}_{cv}(x) + \beta \cdot (|x|/D)$. Os pesos são definidos como $\alpha = 0,85$ (precisão preditiva) e $\beta = 0,15$ (compactação do subconjunto). A aptidão é avaliada usando um aprendiz de Regressão Ridge com validação cruzada de 3 dobras no conjunto de treinamento para evitar o sobreajuste (overfitting).
• Protocolo Experimental: O método foi avaliado em dois benchmarks públicos: um conjunto de dados de solubilidade aquosa (1.128 moléculas, 710 descritores) e um conjunto de dados de energia de hidratação livre (642 moléculas, 680 descritores). Todas as configurações (Linha de base de descritores totais, GWO puro, DE puro e Híbrido GWO–DE) foram executadas ao longo de cinco sementes aleatórias independentes. O desempenho foi medido por $R^2$, RMSE e MAE em conjuntos de teste mantidos à parte, com significância estatística avaliada via testes t pareados e testes de postos sinalizados de Wilcoxon.

Principais Contribuições

1. Formulação Algorítmica: O estudo formula um wrapper GWO–DE híbrido específico adaptado para a seleção de descritores QSAR, incorporando operadores de DE dentro do ciclo de atualização do GWO em vez de aplicá-los em fases alternadas.
2. Avaliação Contingente: Em vez de afirmar superioridade universal, o estudo enquadra explicitamente a seleção de descritores como uma intervenção contingente. Ele avalia o método através de dois conjuntos de dados contrastantes para determinar sob quais condições (tamanho da amostra, redundância de descritores) a seleção é benéfica.
3. Benchmarking Rigoroso: O híbrido é comparado contra seus algoritmos constituintes e uma linha de base de descritores totais sob condições experimentais idênticas, com reporte transparente de significância estatística e variabilidade de execução para execução.
4. Análise de Estabilidade: Uma análise de estabilidade de descritores identifica descritores centrais reprodutíveis selecionados através de múltiplas execuções, distinguindo sinais preditivos consistentes de artefatos estocásticos.

Resultos

• Conjunto de Dados de Solubilidade Aquosa (Alta Redundância, Grande Amostra):
  • Todos os métodos wrapper superaram significativamente a linha de base de descritores totais ($R^2 = 0,771$).
  • O Híbrido GWO–DE alcançou o maior $R^2$ médio do conjunto de teste de 0,849 (RMSE 0,843) enquanto retinha 330 de 710 descritores (uma redução de 54%).
  • GWO puro e DE ambos alcançaram $R^2 = 0,841$.
  • A melhor execução única do híbrido atingiu $R^2 = 0,870$.
  • Nota Estatística: Apesar do desempenho médio superior do híbrido, o teste estatístico pareado (5 sementes) indicou que as diferenças entre os wrappers não foram estatisticamente significativas ($p = 0,27$ vs. GWO; $p = 0,46$ vs. DE).
• Conjunto de Dados de Energia de Hidratação Livre (Amostra Menor):
  • A linha de base de descritores totais regularizada já generalizava bem ($R^2 = 0,830$).
  • Nenhum wrapper melhorou este baseline. O híbrido alcançou $R^2 = 0,793$, GWO $0,785$ e DE $0,804$.
  • O déficit do híbrido em relação à linha de base foi estatisticamente discernível ($p = 0,03$).
  • Os desvios padrão de execução para execução foram significativamente maiores neste conjunto de dados (2 a 5 vezes os do conjunto de solubilidade), atribuídos ao tamanho menor da partição de teste.
• Convergência e Custo: O híbrido exibiu um rápido descenso inicial seguido por uma melhoria no estágio tardio, superando o GWO puro (que estagnou) e o DE (que convergiu lentamente). No entanto, o híbrido incorreu em aproximadamente o dobro do custo computacional por iteração devido ao critério de aceitação ganancioso que exige a avaliação da aptidão tanto para o vetor de teste quanto para o vetor incumbente.

Significância e Alegações
O artigo conclui que o benefício da seleção de descritores é contingente às características do conjunto de dados e não um padrão universal.

• Condição para o Sucesso: A seleção de descritores produz benefícios claros quando o espaço de descritores é redundante em relação ao sinal disponível e o tamanho da amostra é grande (como visto no conjunto de dados de solubilidade). Nesses casos, a poda remove ruído e melhora a generalização.
• Condição para a Falha: Quando o tamanho da amostra é menor e um modelo de descritores totais regularizado já generaliza bem (como no caso da hidratação), a poda adicional descarta variância útil e falha em melhorar, ou até degrada o desempenho.
• Papel do Híbrido: Onde a seleção é benéfica, o GWO–DE híbrido oferece o melhor desempenho médio, embora sua margem sobre os operadores constituintes seja modesta e não estatisticamente significativa na escala de cinco execuções. O principal valor do híbrido reside em sua capacidade de equilibrar exploração e explotação para encontrar subconjuntos de alta qualidade em espaços redundantes.
• Implicação Prática: A seleção de descritores deve ser tratada como uma intervenção condicional guiada pelas propriedades do conjunto de dados (tamanho da amostra e redundância) e não como um passo de pré-processamento rotineiro. Quando bem-sucedida, ela fornece benefícios secundários, incluindo redução de custos de implementação, menor risco de correlação acidental e uma interpretação mecanística mais clara.

Os autores afirmam explicitamente que o tamanho de amostra modesto (cinco sementes) limita o poder estatístico para detectar diferenças entre os wrappers e que trabalhos futuros devem expandir o tamanho do ensemble e testar em aprendizes não lineares para validar ainda mais esses achados.