Learning the Interaction Prior for Protein-Protein Interaction Prediction: A Model-Agnostic Approach

ملخص تقني: تعلم الأولوية التفاعلية للتنبؤ بالتفاعل بين البروتينات

تعريف المشكلة
يعد التنبؤ بالتفاعل بين البروتينات (PPI) أمراً بالغ الأهمية لفهم الوظائف الخلوية وآليات الأمراض. وبينما حققت طرق التعلم العميق (DL) تقدماً في استخراج تمثيلات بروتينية قوية باستخدام بنيات مثل الشبكات العصبية التلافيفية (CNNs)، والشبكات العصبية المتكررة (RNNs)، والشبكات العصبية الرسومية (GNNs)، ونماذج لغة البروتين (PLMs)، لا تزال هناك فجوة كبيرة في تصميم رؤوس التصنيف (classification heads). تعتمد النهج الحالية عادةً على طرق تجميع عامة (مثل الالتصاق، أو الضرب النقطي، أو ضرب هادامارد) لمعالجة أزواج تضمينات البروتينات. وتفشل هذه الطرق في التقاط أولويات التكامل (complementarity priors) بشكل صريح—وهي التوافق الهندسي والكيميائي الضروري عند واجهات التفاعل. علاوة على ذلك، فإن الاستخدام المباشر للميزات الطوبولوجية مثل عدد المسارات بطول 3 (#L3 paths) كميزات مصممة يدوياً غالباً ما يكون غير فعال في تقسيمات البيانات الصارمة (مثل BFS أو DFS)، حيث قد تكون أزواج البروتينات الاختبارية غير متصلة بالشبكة الرئيسية للتدريب، مما يجعل حساب المسارات مستحيلاً.

المنهجية: L3-PPI
يقترح المؤلفون إطار عمل L3-PPI، وهو إطار عمل مستقل عن النموذج (model-agnostic) وقابل للتركيب والتشغيل الفوري (plug-and-play)، يدمج "قاعدة L3" المستندة إلى المعرفة البيولوجية في التنبؤ بالتفاعل بين البروتينات عبر تعلم المحفز الرسومي المنظم بمسارات L3. تعمل الطريقة من خلال ثلاث مراحل متتالية:

1. التعرف على أنماط L3 مسبق التدريب:
   لضمان تعلم النموذج لأنماط L3 صالحة، يتم تدريب نموذج بديل للشبكة العصبية الرسومية (GNN)، وتحديداً شبكة تماثل الرسم البياني (GIN). يتعلم هذا النموذج تصنيف ما إذا كان رسم بياني نمطي معين يمثل بنية تفاعل L3 صالحة بناءً على مجموعة بيانات لمسارات L3 الأصلية المستمدة من أزواج البروتينات المتفاعلة وغير المتفاعلة.

2. ضبط المحفز الرسومي (Graph Prompt Tuning):
   لأي زوج من البروتينات المستعلم عنها، تقوم الطريقة ببناء "رسم بياني محفز" يتكون من:

• عقد الاستعلام (Query Nodes): تضمينات البروتينين المستهدفين.
  يدخل ضمنها:
• عقد المحفز (Prompt Nodes): $K+1$ من عقد البروتين الافتراضية القابلة للتعلم.
• البنية (Structure): طوبولوجيا ثابتة تحاكي $K$ من مسارات L3 المحتملة التي تربط عقد الاستعلام عبر عقد المحفز.

تستخدم شبكة البوابة (Gating Network) إعادة بارامترية من نوع Gumbel-Softmax لاختيار أي من مسارات L3 المرشحة من بين $K$ مساراً بشكل متفرق (sparsely) لتكون "نشطة" للزوج المستعلم عنه خصيصاً. تسمح هذه الآلية للنموذج بتعديل عدد المسارات النشطة ديناميكياً بناءً على احتمالية التفاعل.

3. إعادة صياغة المهمة والتحسين:
   يتم إعادة صياغة مهمة التنبؤ بالتفاعل بين البروتينات من مشكلة تصنيف زوجية إلى مهمة تصنيف على مستوى الرسم البياني. يتم تغذية النمط المحفز النهائي (المكون من المسارات النشطة) إلى نموذج GNN البديل المدرب مسبقاً والمجمد للتنبؤ بملصق التفاعل.

يتضمن التحسين نوعين من الخسارة:

• الإنتروبيا المتقاطعة الثنائية ($L_{BCE}$): خسارة التصنيف القياسية.
• تنظيم عدد المسارات ($L_{PN}$): خسارة مخصصة تفرض الأولوية البيولوجية: يجب أن تمتلك العينات الإيجابية عدداً أكبر من مسارات L3 النشطة، بينما تمتلك العينات السلبية عدداً أقل. يضمن ذلك توافق الرسم البياني المحفز المولد مع قاعدة L3.

المساهمات الرئيسية

• التحقق التجريبي من قاعدة L3: يقدم البحث أدلة واسعة (ارتباط بيرسون والمعلومات المتبادلة) على أن عدد مسارات L3 هو أقوى مؤشر طوبولوجي للتفاعلات بين البروتينات مقارنة بأطوال المسارات الأخرى (L2, L4, L5, إلخ) في مجموعات البيانات الشهيرة (Yeast, SHS27k, STRING).
• رأس تصنيف مستقل عن النموذج: يعمل L3-PPI كبديل خفيف الوزن وجاهز للاستبدل لرؤوس التصنيف القياسية، وهو متوافق مع مختلف النماذج الخلفية (مثل PIPR, GNN-PPI, ESM2, ProstT5).
• التعامل مع الشبكات المنفصلة: من خلال توليد مسارات L3 افتراضية بدلاً من الاعتماد على الاتصال الشبكي الموجود، تتغلب الطريقة على قيود الميزات الطوبولوجية التقليدية في تقسيمات البيانات الصارمة (BFS/DFS) حيث تكون العقد الاختبارية غالباً معزولة.
• القابلية للتفسير: على عكس طرق المحفزات الرسومية الضمنية، يبني L3-PPI رسوماً بيانية نمطية صريحة وذات أساس بيولوجي تعكس تكامل واجهات البروتين.

النتائج التجريبية
تظهر التجارب المكثفة عبر اختبارات متعددة (SHS27k, SHS148k, STRING, Yeast) واستراتيجيات تقسيم مختلفة (Random, BFS, DFS) أن L3-PPI يتفوق باستمرار على النماذج المرجعية:

• مكاسب الأداء: يحقق النموذج نتائج هي الأفضل حالياً (state-of-the-art)، مع متوسط تحسن يصل إلى 3.88% في درجات Micro-F1 مقارنة بـ PIPR عبر 9 سيناريوهات.
• التعميم: لوحظت تحسينات كبيرة في سيناريوهات التعميم الصعبة (تقسيمات BFS و DFS)، لا سيما في فئات ES (التي شوهدت سابقاً) و NS (التي لم تشاهد سابقاً)، حيث ينجح النموذج في استنتاج التفاعلات للأزواج المنفصلة.
• دراسات الاستئصال (Ablation Studies): يؤدي إزالة تنظيم المسار ($L_{PN}$) أو شبكة البوابة إلى تدهور الأداء، مما يؤكد أن التحكم الصريح في أعداد المسارات وآلية الاختيار أمر بالغ الأهمية. كما تبين أن مرحلة ما قبل التدريب ضرورية لنقل معرفة الأنماط الصالحة.

الأهمية والادعاءات
يزعم البحث أن L3-PPI ينجح في سد الفجوة بين تعلم تمثيل البروتين القوي وبين التصنيف ذي المعنى البيولوجي. ومن خلال حقن أولوية التفاعل المتمثلة في التكامل عبر محفز رسومي قابل للتعلم وقابل للتفسير، تعزز الطريقة أداء المتنبئات الحالية دون الحاجة إلى إعادة تدريب النماذج الخلفية. ويؤكد المؤلفون أن هذا النهج يقدم حلاً قوياً للتنبؤ بالتفاعل بين البروتينات في السيناريوهات التي يكون فيها الاتصال الشبكي نادراً أو معدوماً، مما يعالج قصوراً حرجاً في المتنبئات الحالية القائمة على التعلم العميق.