《Advanced Intelligent Discovery》：A 3D Multitask Graph Neural Network Framework for Ames Mutagenicity Prediction
编辑推荐：
药物研发过程漫长、复杂且成本高昂，因此早期可靠的毒性评估成为制药研究中的核心挑战。准确预测药物诱导的毒性和致突变性对于指导决策和降低后期失败率至关重要。深度学习方法可以预测Ames致突变性试验（一种标准筛选方法）的结果；然而，现有大多数模型依赖分子描述符，这些
药物研发过程漫长、复杂且成本高昂，因此早期可靠的毒性评估成为制药研究中的核心挑战。准确预测药物诱导的毒性和致突变性对于指导决策和降低后期失败率至关重要。深度学习方法可以预测Ames致突变性试验（一种标准筛选方法）的结果；然而，现有大多数模型依赖分子描述符，这些描述符限制了结构表征能力、缺乏可解释性，且未考虑Ames试验中各个细菌菌株的结果。图神经网络（GNNs）具有化学直觉性，能够克服上述局限性。本研究提出了一种用于预测Ames致突变性的深度学习多任务GNN模型。在本文所采用的数据集上，所提出的方法优于包括Ames/QSAR国际挑战赛模型在内的多种现有模型。此外，该模型具有高度的可解释性。原子水平贡献的可解释性分析表明，该模型能够学习与致突变性相关的已知结构预警，以及额外的分子模式和三维结构特性。重要的是，这些洞察是以菌株特异性的方式捕获的，凸显了多任务方法的价值。最后，该模型能够识别先前未报道的、可能与致突变性相关的分子亚结构，支持其在药物设计和开发中的实用性。
论文解读
一、研究背景与问题
药物研发是一个漫长、复杂且成本高昂的过程，候选药物从发现到上市需要经历多个阶段。化学空间规模庞大——美国化学文摘社（CAS）注册库中已有超过1.4亿种化合物——使得高通量筛选和全面评估面临巨大挑战。在药物研发流程中，除了识别具有合适靶点亲和力的分子外，评估其毒性尤其是致突变潜能是一项必不可少的筛选环节。然而，即使采用自动化筛选平台，对所有候选化合物进行实验性致突变性检测也是不切实际的。此外，药物成分中微量致突变性杂质尤其难以检测和评估。
计算模型有潜力减少药物开发过程中昂贵的实验和动物测试需求。定量构效关系（QSAR）模型将分子结构与功能联系起来，在这一领域显示出前景。近年来，经济合作与发展组织（OECD）和国际人用药品技术要求协调理事会（ICH）等指南已将QSAR模型纳入致突变性筛选方案。尽管过去十年已开发出多种基于深度学习的QSAR模型，但仍需进一步改进现有模型，并弥合计算建模与临床相关药物候选物实际加速开发之间的差距。
近年来，研究人员致力于利用QSAR工具预测Ames致突变性试验结果。Ames试验是一种体外方案，利用多种鼠伤寒沙门氏菌（Salmonella typhimurium）菌株，每种菌株可检测目标化合物不同类型的潜在致突变性。然而，现有大多数模型仅评估总体致突变性结果，未考虑多个不同菌株的结果。Martínez等人发现，采用深度神经网络（DNN）和多任务学习（MTL）方法考虑单个菌株的结果可获得更好的模型性能，尤其是在高度不平衡的数据集中。
现有QSAR模型存在若干局限性。这些模型通常利用分子描述符作为输入，包括分子指纹（如MACCS、PubChem和Morgan）和/或额外的二维和三维描述符。然而，这些描述符往往过于简化，更详细的描述符通常必须基于模型或优化化学结构进行估算。分子指纹存在无法完全捕获结构复杂性以及多个分子片段可能由同一比特位表示等问题。此外，DNN生成的预测往往不易解释。相比之下，图神经网络（GNN）在分子性质预测方面显示出潜力，特别是因其天然适合直接表示分子结构（原子为节点、化学键为边），无需分子描述符，且具有更好的可解释性。
近年来，已有多种GNN模型被开发用于分子性质和毒性预测以及Ames致突变性预测。尽管这些模型在预测Ames致突变性方面表现优异，但均未同时考虑三维分子几何构型和菌株特异性Ames试验结果。三维分子几何构型的纳入对于充分捕获分子结构复杂性及其与毒性的关系至关重要。因此，本研究旨在开发一种结合三维几何特征与多任务学习框架的GNN模型，以克服现有模型的局限性。
二、主要技术方法
研究人员采用的数据集基于Martínez等人使用的ISSSTY v1-a公开数据集（含7367种化合物的Ames试验结果），并额外从Thompson等人数据集中添加了2322个阴性样本，最终增强数据集包含7858种化合物，公开于Mendeley Data。模型架构包含三个主要模块：GNN模块、共享全连接核心和靶标特异性全连接核心。GNN模块采用基于图同构网络与边特征（GINE）框架的5层图卷积层，节点特征包括原子序数、原子半径、原子量、共价半径、密度、鲍林电负性、质量数、周期、范德华半径、区块和元素族；边特征包括键距（以20个高斯径向基函数编码）、键角和二面角。模型采用多任务学习框架，对应TA98、TA100、TA102、TA1535和TA1537五个菌株分别输出预测结果。训练采用Adam优化器、dropout、批归一化、自适应学习率和早停策略，超参数通过Optuna进行优化。模型评估采用5折交叉验证和11个不同随机种子重复。可解释性分析采用SHAP（Shapley加性解释）和GNNExplainer方法。
三、研究结果
3.1 MTL-GNN模型优于基准模型
研究结果显示，所提出的MTL-GNN模型在特异性（0.85±0.03）、灵敏度（0.80±0.02）、准确率（0.82±0.01）、平衡准确率（0.83±0.01）、阳性预测值（PPV，0.87±0.02）、阴性预测值（NPV，0.78±0.01）、马修斯相关系数（MCC，0.65±0.01）、F1分数（0.83±0.01）和H1分数（0.83±0.01）等指标上均优于在相同数据集上重新训练的Martínez等人模型。与第二届Ames/QSAR国际挑战赛模型相比，除NPV和覆盖率外，该模型在各项指标上均达到或超过挑战赛平均值和最佳模型。与近期发表的AmesFormer模型相比，该模型在灵敏度、平衡准确率和F1分数上均优于AmesFormer-Honma和AmesFormer-Pro两个版本。
3.2 三维MTL架构带来致突变性预测性能提升
消融实验表明，仅使用键距作为边特征的二维版本模型和仅预测总体Ames结果的单任务（STL）版本模型，其各项性能指标均低于原始三维MTL模型。SHAP分析显示，元素族（贡献34%）、密度（20%）、键角（8%）、原子量（8%）和共价半径（5%）是最具影响力的输入特征，而二面角影响最小（<1%）。
3.3 MTL-GNN模型以菌株特异性方式学习致突变性结构预警
通过GNNExplainer分析，研究人员评估了模型识别已知结构预警的能力。结果显示，杂环多环芳烃、醌类、脂肪族偶氮和氧化偶氮基团、香豆素和呋喃香豆素、环氧化物和氮丙啶、多环芳烃以及叠氮化物和三氮烯基团等结构预警具有较高的重叠分数。菌株特异性分析表明，TA98和TA100菌株检测到的预警比例更高，这与实验数据一致。不同菌株对不同预警的敏感性存在差异，凸显了多任务框架的重要性。
3.4 MTL-GNN模型学习隐式分子表征
对结构预警内各原子重要性的聚合分析显示，芳香环中各原子的相对重要性大致相等，表明模型能够隐式学习环结构。功能基团的连接点原子被赋予较高重要性，这符合化学直觉。分子内部靠近分子主体和环间连接点的原子更常被识别为重要，这些节点在消息传递GNN中充当信息枢纽。
3.5 MTL-GNN模型学习预测致突变性所必需更广泛的分子上下文
通过三对含有相同结构预警但致突变性标签不同的分子对分析，研究人员证明该模型能够学习结构预警周围的分子上下文。例如，含有磺酸基团的芳香胺分子被正确预测为非致突变性，而苯并联胺被正确预测为高度致突变性；含有羟基导致π系统平面性破坏的硝基芳香化合物被预测为非致突变性，而平面构型的硝基芳香化合物被预测为致突变性。二维模型无法正确分类这些非致突变性分子，表明三维几何特征对于识别预警的上下文至关重要。按菌株和预警计算的受试者工作特征曲线下面积（AUROC）分析进一步证实，对于大多数含有特定预警的分子，模型能够正确区分致突变性与非致突变性。
3.6 MTL-GNN模型预测先前未识别的可能与致突变性相关的亚结构基序
通过GNNExplainer分析和统计富集筛选，研究人员识别出六个与致突变性相关且非经典Ames结构预警的新型分子片段模式：两种含噻吩的杂环化合物、乙基脲、脒类、N-乙酰氧基-N-甲基-羟胺，以及与环丙烷共轭的α，β-不饱和羰基。这些片段可能通过代谢活化、亚硝化或作为Michael受体等机制间接产生致突变性。
四、讨论与结论
研究人员指出，该模型存在若干局限性：由于数据集中存在未定义标签，模型覆盖率相对较低；数据集高度不平衡，PPV、NPV、灵敏度、特异性和准确率等指标在不平衡数据集上可能不可靠；由于无法获取Ames/QSAR挑战赛原始数据集，无法与挑战赛模型进行直接比较；该模型未能在所有指标上超越Meta-GTMP模型。
研究结论表明，所提出的三维多任务GNN模型在Ames致突变性预测方面达到了与现有模型相当或更优的性能。该模型不仅能够识别已知的结构预警，还能学习预警周围的分子上下文和隐式分子特征，超越传统基于预警的模型。模型识别出多个先前未报道的潜在致突变性相关亚结构，展示了该方法在药物设计和开发中的实用价值。三维几何特征和多任务学习框架的整合是提升模型性能和可解释性的关键因素。
