🧬 biology

Unifying Disjoint Phenotypic Contexts: A Multimodal Soft Contrastive Approach to Identify DILI Activity Cliffs

本文介绍了 Bio $\mathcal{X}$ Mol，这是一个通过软对比目标函数将不连贯的表型数据集与分子结构统一起来的多模态框架，旨在克服传统方法的局限性，并显著提高对药物诱导性肝损伤（DILI）活性悬崖的识别能力。

原作者： Muhammad Arslan Masood, Tianyu Cui, Markus Heinonen, Samuel Kaski

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Muhammad Arslan Masood, Tianyu Cui, Markus Heinonen, Samuel Kaski

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在药物研发这一高风险领域，从一个化学构思到一种救命药物的路径，被一个单一且令人恐惧的障碍所阻隔：毒性。一种药物在试管中可能看起来近乎完美，能精准地结合其靶点，但一旦到达人体肝脏，却可能发生灾难性的失败。这就是药物诱导性肝损伤的领域，它是许多极具前景的药物被撤出市场或根本无法到达患者手中的主要原因。挑战不仅在于药物可能具有毒性，还在于它们可能具有欺骗性的相似性。科学家经常遇到“活性悬崖”（activity cliffs）现象，即两种分子的化学结构几乎完全相同，但其中一个可以是安全的治疗药物，而其近乎孪生的另一个却会导致严重的肝损伤。传统的化学分析方法依赖于绘制它们的结构形状，但当形状几乎相同时，这些图谱无法区分安全与危险。为了解决这个问题，研究人员开始超越化学结构本身，转而关注药物留下的生物指纹：即它们引起细胞形态变化以及基因行为变化的方式。

来自阿尔托大学（Aalto University）和芬兰ELLIS研究所的研究团队开发了一种导航这些危险悬崖的新方法，引入了一个他们称之为BioXMol的系统。他们的工作解决了计算机学习预测药物安全性中的一个关键缺陷。虽然之前已有将化学数据与生物观察相结合的尝试，但这些尝试受到两个主要缺陷的限制。首先，它们要求每种药物都必须经过每种类型生物实验的测试，这在现实世界中很难实现，因为不同的研究小组会为不同的化学物质集生成不同类型的数据。其次，更微妙的是，它们将所有不匹配的药物视为同样不同。这种假设忽略了生物学事实，即两种不同的药物仍可能在细胞中触发相似的反应，而将它们视为完全无关从而进行惩罚，会扭曲计算机的理解。

研究人员通过构建一个可以从不相交的数据集中学习的框架解决了这些问题。他们将分子结构与两个大规模、独立的公共数据集相结合：一个包含暴露于数千种不同化合物时细胞形态变化的详细图像；另一个包含显示数千种其他化合物如何改变细胞活动的基因表达谱。至关重要的是，这两个数据集并不共享相同的化合物。该系统并没有等待完美的重叠，而是将这两类生物数据锚定在化学结构上，从而能够从所有可用信息的并集中进行学习。这意味着，即使没有任何一种药物同时经过了成像实验和基因表达实验，计算机也能学习药物形状与其生物效应之间的关系。

为了精炼这种学习过程，团队用一种“软”方法取代了教导计算机区分项目的标准“硬”方法。在典型的训练过程中，如果两个项目不匹配，计算机会被告知它们是完全不同的。然而，新方法使用了一种更细致的策略。它认识到，虽然两种药物可能不同，但它们在生物学上可能仍然相似。通过使用一个作为稳定引导的动量系统，该模型根据实际的生物相似性来权衡药物之间的差异。如果两种不同的药物引起了相似的细胞变化，系统会将它们视为差异较小，而不是像对待完全相反效应的药物那样将其视为差异巨大。这保留了生物反应的连续梯度，而不是强行做出“相同”或“不同”的二元选择。

当研究人员利用一组已知的活性悬崖（即结构相似但肝毒性结果截然相反的药物对）测试该系统时，结果令人瞩目。新的软对比学习方法在 80.7% 的案例中正确地将有毒药物排在比安全药物更危险的位置。相比之下，使用传统“硬”方法训练的同一系统，由于假设所有不匹配的药物都是同样不同的，其表现并不比随机猜测好多少，正确排序率仅为 51%。甚至依赖于纯粹结构形状而缺乏生物背景的标准化学指纹，其准确率也仅为 60.7%。研究表明，这种提升专门来自于模型处理药物差异的方式，而不仅仅是因为拥有更多数据。

这些发现揭示了关于我们如何评估药物安全性模型的关键洞察。当使用标准方法在广泛、通用的化学物质集上进行测试时，所有模型表现相似，聚集在一起，没有明显的胜者。只有当测试缩小到特定的、困难的活性悬崖案例时，新方法的真正力量才显现出来。研究人员发现，标准的评估方法实际上掩盖了模型区分最具临床危险场景的能力。通过专注于这些极端情况，他们表明，这种具备生物意识的软对比方法创造了一种表征，使得安全与有毒的类似物之间存在清晰且有意义的距离，而传统方法则会让它们聚集在一起。这项工作表明，要真正预测药物安全性，我们必须超越简单的结构匹配，转而拥抱一种更具流动性的、基于生物学的理解，去理解化学物质是如何与生命系统相互作用的。

技术摘要：通过 BioXMol 统一不相交的表型上下文

问题陈述
预测药物诱导的肝损伤（DILI）仍然是药物发现中的一个关键瓶颈，特别是由于“活性悬崖（activity cliffs）”的普遍存在。这些悬崖是指结构高度相似但生物安全性表现迥异（例如，一个安全，另一个具有肝毒性）的一对化合物。传统的基于结构的表示方法，如扩展连接指纹（ECFP）或自监督语言模型（如 MoLFormer、ChemBERTa），无法区分这些悬崖，因为它们依赖于“化学结构决定生物活性”的假设。当结构几乎完全相同时，这些模型无法捕捉到预测毒性所需的细微功能差异。

虽然整合功能性生物学读数（形态学和转录组学）提供了解决方案，但目前的多种模态方法面临两个严峻的限制：

数据不相交性（Data Disjointness）： 大规模表型数据集（如 JUMP-CP 形态学和 LINCS L1000 转录组学）所涵盖的化合物集合基本没有重叠。标准的对比学习需要对于每个样本都有完整的“三元组”（分子 + 形态学 + 转录组学），这使得这些数据集无法在并集中被有效利用。
硬负例假设（Hard Negative Assumption）： 标准的对比目标将所有非匹配对视为同样不相似的“硬负例”。这在生物学上是不合理的，因为化学性质截然不同的分子可能会诱导重叠的表型反应。对这些功能相关的配对进行同等的惩罚会扭曲学习到的嵌入空间，从而阻碍模型学习连续的生物严重程度梯度。

方法论：BioXMol
作者提出了 BioXMol，一个旨在克服上述局限性的多模态表示学习框架，其采用三阶段训练流水线：

不相交数据的集成： BioXMol 不要求完整的三元组，而是将每种生物学模态视为与共享分子锚点对齐的独立视图。这使得模型能够在可用配对数据（分子-形态学和分子-转录组学）的并集上进行预训练，而非仅限于它们的交集。
带有动量教师的软对比目标（Soft Contrastive Objective with Momentum Teachers）： 为了解决硬负例问题，BioXMol 使用“软”对比目标取代了标准的单热（one-hot）负向目标。
- 架构： 该框架利用特定模态的编码器（用于形态学和转录组学）以及一个共享的分子编码器。至关重要的是，生物编码器被实例化为“学生”网络和“教师”网络。教师网络通过学生权重指数移动平均（EMA）进行更新，从而提供稳定且缓慢演进的相似性目标。
- 机制： 在前向传播方向（分子 $\to$ 生物学）中，模型最小化学生预测与源自教师潜在空间的软目标之间的交叉熵。这些目标根据化合物的底层生物学相似性来加权负向排斥力。如果两个非匹配化合物诱导了相似的表型反应，它们受到的惩罚会较小；反之，若反应迥异，则惩罚较大。在后向传播方向（生物学 $\to$ 分子）中，保留了一个硬身份目标以确保唯一的映射关系。
下游评估： 预训练的分子编码器被冻结，并通过使用序数逻辑回归分类器（Frank–Hall 分解）进行线性探测，以预测有序的 DILI 严重程度标签（无 DILI、轻度 DILI、重度 DILI）。

主要贡献
本文概述了四个主要贡献：

一种多模态预训练框架： BioXMol 成功地将分子结构与来自不相交数据集的形态学（JUMP-CP）和转录组学（LINCS L1000）数据进行对齐，消除了对完全配对三元组的需求。
软对比学习： 引入了基于动量教师网络的机制，该网络根据生物学相似性对负向配对进行加权，取代了所有非匹配项均等不相似的僵化假设。
活性悬崖评估协议： 作者指出，标准的骨架拆分（scaffold-split）交叉验证不足以检测表示差异在毒性预测中的表现。他们引入了一种特定的评估协议，使用 15 对留出的活性悬崖对，以揭示具有临床意义的区别。
经验证据证明目标函数的优越性： 研究表明，在活性悬崖上的性能提升是由软对比目标驱动的，而不仅仅是多模态预训练。使用完全相同的训练数据和架构运行的“硬”对比基准模型未能达到同样的效果。

结果
评估显示了全局指标与活性悬崖性能之间的显著分歧：

全局性能（交叉验证）： 在标准的 5 $\times$ 5 骨架拆分交叉验证下，BioXMol-Soft、BioXMol-Hard 以及传统的 ECFP 指纹在 ROC-AUC、Spearman's $\rho$ 和线性加权 $\kappa$ 方面在统计学上是不可区分的（p > 0.05）。它们都收敛到一个狭窄的性能区间，而传统的语言模型表现明显更差。
活性悬崖性能： 在 12 对留出的活性悬崖对（结构相似但肝毒性表现迥异的化合物）上进行评估时：
- BioXMol-Soft 实现了 80.7% 的配对排序准确率。
- ECFP 实现了 60.7%。
- BioXMol-Hard（采用相同架构和硬对比损失）崩溃至 51.0%（随机水平）。
- 传统的语言模型表现也接近随机水平。
几何分析： PCA 投影显示，虽然 ECFP 嵌入中安全与有毒的悬崖类似物几乎重叠，但 BioXMol-Soft 将这些距离拉伸了 3–4 倍，将毒性相关的表型差异编码为几何位移。

意义与主张
论文声称，软表型对齐对于准确识别毒性悬崖至关重要。作者认为，聚合指标（如全局 AUC）掩盖了临床关键差异，因为这些指标受结构迥异的“简单”化合物的主导。而“硬”对比假设（即认为所有非匹配项均等不相似）破坏了区分安全药物与其毒性类似物所需的连续梯度。通过根据生物学相似性对负向排斥进行加权，BioXMol 保留了生物反应空间的连续结构。

作者得出结论：选择合适的评估协议至关重要。标准交叉验证无法揭示软对比学习的优越性，而活性悬崖评估是处理涉及微妙结构变化的药物发现任务时，对标准基准测试必不可少的补充。这项工作表明，在对比目标中尊重生物学梯度，比单纯集成多模态数据更具影响力。

技术摘要：通过 BioXMol 统一不相交的表型上下文

类似论文