知識引導(dǎo)的分子圖像自監(jiān)督學(xué)習(xí)框架，破解活性懸崖識別難題

作者丨論文團(tuán)隊

編輯丨ScienceAI

在藥物發(fā)現(xiàn)領(lǐng)域，一個長期存在的挑戰(zhàn)是活性懸崖（Activity Cliffs）現(xiàn)象，即兩個分子結(jié)構(gòu)高度相似但生物活性卻存在顯著差異，然而，由于傳統(tǒng)方法在識別活性懸崖時，會出現(xiàn)表征坍塌的問題，因此仍然難以準(zhǔn)確捕捉懸崖分子的細(xì)微差別。

近日，湖南大學(xué)等團(tuán)隊在《BMC Biology》上發(fā)表了一項研究《MaskMol: knowledge-guided molecular image pre-training framework for activity cliffs with pixel masking》，這項研究開發(fā)了名為 MaskMol 的知識引導(dǎo)分子圖像自監(jiān)督預(yù)訓(xùn)練框架，該框架能通過細(xì)粒度知識引導(dǎo)的像素掩碼策略進(jìn)行準(zhǔn)確的活性懸崖估計。

活性懸崖與傳統(tǒng)模型的局限

分子性質(zhì)預(yù)測是藥物研發(fā)的核心環(huán)節(jié)，其核心假設(shè)是結(jié)構(gòu)相似則性質(zhì)相似（圖 1 左）。然而活性懸崖的存在恰恰是這一理念的例外，這類分子對結(jié)構(gòu)差異微小，生物活性卻相差顯著。

圖 1 右側(cè)可見，僅一個原子不同的分子，高活性（紅色標(biāo)注）與低活性（綠色標(biāo)注）形成鮮明對比，這種結(jié)構(gòu)近、活性遠(yuǎn)的現(xiàn)象，正是活性懸崖的典型特征，而傳統(tǒng)模型難以應(yīng)對這一挑戰(zhàn)的根源在于表征坍縮問題。

圖 1：特征空間中 SAR（左）和活性懸崖（右）的示意圖。

圖 2：特征空間中 Graph 和 Image 表征的比較。

如圖 2 所示，研究通過對比分子相似度與特征空間距離，發(fā)現(xiàn)隨著分子相似度（橫軸，Tanimoto 系數(shù)）升高，圖模型（如 GCN、MPNN）的特征歐氏距離（縱軸）快速下降，這意味著結(jié)構(gòu)相似的分子在特征空間中幾乎重疊，導(dǎo)致表征坍塌，無法區(qū)分；而分子圖像的特征距離下降更平緩，保留了更多差異信息。

MaskMol框架：知識引導(dǎo)的分子圖像學(xué)習(xí)

更進(jìn)一步，活性懸崖通常由不同分子層次上的細(xì)微變化引起，例如特定原子取代、鍵修飾或官能團(tuán)取代。例如，在原子層面，將苯環(huán)上的氫原子替換為氯原子，會導(dǎo)致分子與受體的結(jié)合相互作用發(fā)生顯著變化，從而影響其生物活性。

因此，團(tuán)隊的目標(biāo)是將已有化學(xué)知識融入模型，利用這種與活性懸崖相關(guān)的知識指導(dǎo)模型學(xué)習(xí)分子。從而，文章中提出 MaskMol，以分子圖像為核心表征，通過知識引導(dǎo)的像素掩碼與細(xì)粒度知識引導(dǎo)的像素掩碼預(yù)測任務(wù)構(gòu)建從分子圖像到化學(xué)知識的映射，其完整流程如圖 3 所示。

MaskMol 框架包含兩大核心模塊：

(1)三種知識引導(dǎo)的像素掩蔽策略：具體而言，研究團(tuán)隊首先將分子 SMILES 轉(zhuǎn)換為二維圖像，然后利用 RDKit 分別對原子、化學(xué)鍵和子結(jié)構(gòu)進(jìn)行高亮標(biāo)記，利用 HSV 檢測生成掩碼集，并與原始圖像結(jié)合，生成三張不同知識層次的分子掩碼圖像。

(2)三個用于預(yù)訓(xùn)練的知識引導(dǎo)像素掩碼預(yù)測任務(wù)。訓(xùn)練一個 Vision Transformer（ViT）模型來預(yù)測被掩碼部分所代表的不同層級（原子級，化學(xué)鍵級，子結(jié)構(gòu)級）的化學(xué)知識，這種設(shè)計迫使模型從圖像的剩余上下文中學(xué)習(xí)分子結(jié)構(gòu)的深層化學(xué)語義。

圖 3：MaskMol 框架。

下游任務(wù)性能

研究團(tuán)隊在活性懸崖估計（ACE）和化合物效能預(yù)測（CPP）兩個關(guān)鍵下游任務(wù)上對 MaskMol 進(jìn)行了全面評估。在活性懸崖估計任務(wù)上，MaskMol 與 25 種先進(jìn)的深度學(xué)習(xí)和機(jī)器學(xué)習(xí)方法進(jìn)行了比較，涵蓋了基于序列、圖（2D 和 3D）、圖像及多模態(tài)的模型。如圖 4 所示，MaskMol 在 10 個不同的 ACE 數(shù)據(jù)集上取得了最低的 RMSE。

特別是在骨架劃分設(shè)置下（圖 5），MaskMol 相比圖像模型（ImageMol）均有顯著提升，平均 RMSE 提升超過了 17.0%，這證明了其優(yōu)秀的泛化能力。同時，MaskMol 在化合物效能預(yù)測任務(wù)上也表現(xiàn)出色，即使在預(yù)訓(xùn)練數(shù)據(jù)量（200 萬）遠(yuǎn)少于某些基線模型（1000 萬）的情況下，其預(yù)測精度仍優(yōu)于對比模型，顯示了框架的數(shù)據(jù)效率。

圖 4：活性懸崖估計實驗結(jié)果。

圖 5：骨架劃分實驗結(jié)果。

消融實驗

為了深入驗證 MaskMol 中各個組件的有效性，合理性，研究團(tuán)隊還進(jìn)行了系統(tǒng)的消融實驗，結(jié)果如上圖所示：圖 6c 的消融研究揭示了三個預(yù)訓(xùn)練任務(wù)的重要性，移除任何預(yù)訓(xùn)練任務(wù)都會導(dǎo)致性能下降，其中 Motif 級任務(wù)（MMPP）的影響最大，凸顯了子結(jié)構(gòu)知識對于捕捉活性懸崖關(guān)鍵細(xì)微差異的核心作用。

在圖中可以看到，與未預(yù)訓(xùn)練的模型相比，完整的預(yù)訓(xùn)練帶來了平均超過 34% 的性能增益。圖 6d 探討了像素掩碼比例的影響，與 BERT（15%）或 MAE（75%）不同，MaskMol 在分子圖像上的最佳掩碼比例為 50%，這很可能與分子圖像本身信息稀疏、有效像素占比較低的特性有關(guān)。

圖 6e 進(jìn)一步分析了圖像大小影響，結(jié)果表明分子圖像的大小對性能無顯著影響（p>0.05）。

圖 6：消融實驗。

可解釋性分析

為了理解 MaskMol 的成功機(jī)理，研究團(tuán)隊進(jìn)行了特征空間探索，注意力可視化，化學(xué)知識解釋等三方面的可解釋性分析。

特征空間探索：圖 7a-b 顯示，基于 MaskMol 學(xué)習(xí)到的分子表征，高活性和低活性分子在二維空間中形成了更清晰的邊界，而基于 ECFP 指紋的表示則混雜在一起。定量分析（圖 7c）進(jìn)一步證實，活性懸崖分子對在 MaskMol 特征空間中的距離遠(yuǎn)大于在 ECFP 空間中的距離，進(jìn)一步說明 MaskMol 有效緩解了表征坍塌。

注意力可視化：上圖 7d-e 表明，經(jīng)過知識引導(dǎo)預(yù)訓(xùn)練后，MaskMol 能夠精準(zhǔn)地將注意力集中在與任務(wù)相關(guān)的原子、鍵或子結(jié)構(gòu)上。相比之下，GNN 模型往往將注意力分散在分子的不重要區(qū)域或相同的結(jié)構(gòu)上，而未經(jīng)預(yù)訓(xùn)練的圖像模型則關(guān)注整個分子而忽略了關(guān)鍵細(xì)節(jié)，這證明 MaskMol 確實學(xué)會了利用細(xì)微的結(jié)構(gòu)差異進(jìn)行活性懸崖預(yù)測。

化學(xué)知識解釋：研究采用子結(jié)構(gòu)掩碼解釋（SME）進(jìn)一步量化子結(jié)構(gòu)對 MaskMol 預(yù)測的貢獻(xiàn)。通過計算子結(jié)構(gòu)貢獻(xiàn)度，能深入理解其對分子活性的影響。如圖8a所示，添加苯環(huán)（歸因值=?1.93，Ki = 5370 nM)和乙醇（歸因值=?0.95，Ki = 758 nM)等子結(jié)構(gòu)時，歸因值均低于零，且苯環(huán)的影響顯著大于乙醇，這與分子活性值高度吻合。除生物活性外，文章中還展示了不同子結(jié)構(gòu)對毒性的分析，如圖 8c 和 d。

圖 7：特征空間和注意力可視化。

圖 8：化學(xué)知識解釋。

應(yīng)用前景：從虛擬篩選到腫瘤治療

為了驗證 MaskMol 的實際應(yīng)用潛力，研究團(tuán)隊將其應(yīng)用于前列腺癌免疫治療潛在靶點 EP4 受體的抑制劑虛擬篩選。如圖 9e-f 所示，MaskMol 不僅在內(nèi)部測試集上表現(xiàn)優(yōu)異（R2 = 0.789），在來自專利文獻(xiàn)的外部驗證集上也保持了高預(yù)測精度（R2 = 0.755），并且能識別抑制劑和非抑制劑。

更重要的是，MaskMol 成功地從專利集中識別出了 9 個已知的 EP4 抑制劑候選化合物，如 Grapiprant、CJ-042794 等，這些分子均經(jīng)過細(xì)胞實驗或臨床試驗的驗證，這充分證明了 MaskMol 在真實藥物發(fā)現(xiàn)場景下作為高效虛擬篩選工具的可靠性。

圖 9：EP4 虛擬篩選。

總結(jié)與展望

MaskMol 研究的意義在于，它首次明確指出了活性懸崖任務(wù)中深度學(xué)習(xí)模型表征坍塌的瓶頸，并開創(chuàng)性地通過知識引導(dǎo)的分子圖像自監(jiān)督學(xué)習(xí)來突破這一瓶頸。該框架不僅顯著提升了預(yù)測性能，還具備良好的可解釋性，能為藥物化學(xué)家提供有價值的結(jié)構(gòu)-活性關(guān)系見解。

未來，在多模態(tài)知識融合、3D 構(gòu)象圖像建模以及跨模態(tài)知識蒸餾等方向還能進(jìn)一步拓展 MaskMol 的能力，這也將持續(xù)推動人工智能在藥物發(fā)現(xiàn)領(lǐng)域的深入應(yīng)用。

論文地址：https://doi.org/10.1186/s12915-025-02389-3