🧬 biology

Better Protein Function Prediction by Modeling Survivorship Bias

Dieser Beitrag stellt Evo-PU vor, ein positives-unbeschriftetes Lernframework, das Überlebensverzerrung explizit durch evolutionäre Mutationsprozesse modelliert, um bestehende Methoden bei der Vorhersage der Proteinfunktion über verschiedene virale Datensätze hinweg signifikant zu übertreffen.

Ursprüngliche Autoren: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Veröffentlicht 2026-05-11

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Das große Problem: Die „Survivorship"-Falle

Stellen Sie sich vor, Sie möchten lernen, wie man einen perfekten Kuchen backt. Sie gehen zu einer Bäckerei und betrachten alle Kuchen im Schaufenster. Sie sehen alle köstlich aus und alle wurden gut verkauft. Sie könnten schlussfolgern: „Okay, alle Kuchen sind gut."

Aber hier liegt der Haken: Die Bäckerei wirft jeden Kuchen weg, der verbrennt, zusammenfällt oder schrecklich schmeckt, bevor er jemals ins Schaufenster gelangt. Sie sehen die Misserfolge nie. Wenn Sie versuchen, nur aus den Kuchen im Schaufenster zu lernen, werden Sie nicht verstehen, warum einige Rezepte scheitern. Sie sehen nur die „Überlebenden".

Genau dieses Problem haben Wissenschaftler mit Proteinen (den Bausteinen des Lebens).

Der Filter der Natur: In der Wildnis werden Proteine, die nicht funktionieren, durch die Evolution eliminiert. Nur diejenigen, die einem Organismus helfen, zu überleben und sich fortzupflanzen, werden weitergegeben.
Die Datenlücke: Wenn Wissenschaftler Protein-Datenbanken betrachten, sehen sie hauptsächlich die „Gewinner" (funktionierende Proteine). Sie sehen selten die „Verlierer" (nicht funktionierende Proteine), da diese in der Natur nie beobachtet wurden.

Dies erzeugt eine Survivorship-Bias (Überlebendenverzerrung). Wenn man einen Computer trainiert, die Protein-Funktion nur anhand der „Gewinner" vorherzusagen, gerät er in Verwirrung. Er weiß nicht, dass eine leicht abweichende Version eines Proteins ein totaler Misserfolg sein könnte.

Die alten Lösungen (und warum sie nicht ausreichten)

Wissenschaftler haben versucht, dies zuvor zu beheben, aber ihnen entging ein entscheidendes Detail: Wie ist das Protein dorthin gelangt?

Standard „Positive-Unlabeled" (PU) Learning: Dies ist wie zu sagen: „Wir haben eine Liste guter Kuchen und eine Liste von Mystery-Boxen. Lassen Sie uns raten, welche Mystery-Boxen schlecht sind." Das Problem ist, dass diese Methoden davon ausgehen, dass jede Mystery-Box die gleiche Chance hat, ein guter Kuchen zu sein. Sie berücksichtigen nicht, wie der Kuchen hergestellt wurde.
Protein-Sprachmodelle (PLMs): Diese sind wie eine KI, die Millionen von Kochbüchern liest, um zu erraten, wie ein gutes Rezept aussieht. Sie sind hervorragend darin, allgemeine Muster zu erkennen, aber sie übersehen manchmal die spezifischen, winzigen Details, die benötigt werden, damit ein Protein eine bestimmte Aufgabe erfüllt (wie ein spezifischer Schlüssel, der in ein spezifisches Schloss passt).
One-Class Classification: Dies ist wie ein Türsteher, der nur weiß, wie ein „guter Gast" aussieht, und alle anderen abweist. Es ist zu starr und versteht nicht die Nuance, warum jemand nicht eingeladen wurde.

Die neue Lösung: Evo-PU

Die Autoren haben ein neues Werkzeug namens Evo-PU entwickelt. Denken Sie an Evo-PU als einen Detektiv, der nicht nur die Kuchen im Regal betrachtet, sondern die Küche und das Rezeptbuch untersucht, um zu verstehen, wie die Kuchen dorthin gelangt sind.

Die Kernidee:
Evo-PU versteht, dass Proteine aus kleineren Teilen aufgebaut sind, die Nukleotide genannt werden (wie Buchstaben in einem Wort).

Die Analogie: Stellen Sie sich vor, Sie haben ein sehr häufiges Wort, wie „KATZE".
- Wenn Sie einen Buchstaben ändern, um „BAT" (Fledermaus) zu machen, ist es sehr wahrscheinlich, dass jemand dieses Wort bereits aufgeschrieben hat, weil es einfach ist, von „KATZE" zu „BAT" zu gelangen. Wenn Sie „BAT" nicht im Wörterbuch gesehen haben, liegt es wahrscheinlich daran, dass „BAT" keinen Sinn ergibt (es ist nicht funktional).
- Wenn Sie jedoch versuchen, „KATZE" in „XYZZY" (eine zufällige, komplexe Zeichenkette) zu ändern, ist es höchst unwahrscheinlich, dass jemand dies jemals versehentlich aufgeschrieben hat. Wenn Sie „XYZZY" nicht gesehen haben, liegt es nicht daran, dass es ein schlechtes Wort ist; es liegt einfach daran, dass es so schwer ist, darauf zu stoßen, dass es noch niemand versucht hat.

Wie Evo-PU funktioniert:

Es verfolgt den „Pfad": Evo-PU betrachtet die „Vorfahren" (die uns bereits bekannten, häufigen Proteine) und berechnet, wie einfach es wäre, sie in eine neue Version zu mutieren.
Es passt die Wahrscheinlichkeiten an:
- Wenn ein neues Protein einen Schritt entfernt von einem häufigen Protein ist und wir es nicht gesehen haben, denkt Evo-PU: „Dies ist wahrscheinlich ein Misserfolg. Wenn es funktioniert hätte, hätten wir es bis jetzt gefunden."
- Wenn ein neues Protein viele Schritte entfernt von irgendetwas Häufigem ist und wir es nicht gesehen haben, denkt Evo-PU: „Wir haben es nicht gesehen, nur weil es selten passiert, nicht weil es kaputt ist."
Das Ergebnis: Durch die Modellierung dieses „Mutationspfads" kann Evo-PU unterscheiden zwischen einem Protein, das fehlt, weil es schlecht ist, und einem Protein, das fehlt, weil es selten ist.

Die Ergebnisse: Hat es funktioniert?

Das Team testete Evo-PU an Viren wie Influenza, RSV und SARS-CoV-2. Sie baten es vorherzusagen:

Welche Teile des Virus helfen ihm, an menschliche Zellen zu binden?
Welche Teile helfen ihm, sich vor unserem Immunsystem zu verstecken?
Welche neuen Virusvarianten könnten in Zukunft auftreten?

Das Urteil:

Bei gut überwachten Viren: Für Viren, bei denen wir viele Daten haben (wie die Grippe), war Evo-PU der klare Gewinner. Es schlug alle anderen Methoden (Standard-PU-Learning, One-Class-Klassifikatoren und Sprachmodelle). Es sagte erfolgreich vorher, welche Mutationen funktionieren würden und welche scheitern würden.
In diversen Datensätzen: Als sie es an einem riesigen, gemischten Datensatz vieler verschiedener Organismen (ProteinGym) testeten, gewann Evo-PU nicht. Die Autoren erklären dies damit, dass ihre Methode darauf angewiesen ist, genau zu wissen, wie oft ein Virus einen Wirt infiziert hat (Prävalenz). In gemischten Datensätzen sind diese Daten unordentlich oder fehlen, sodass der „Detektiv" einige seiner Hinweise verliert.

Zusammenfassung

Das Papier argumentiert, dass man, um vorherzusagen, ob ein Protein funktioniert, nicht nur die Liste der „Überlebenden" betrachten kann. Man muss die evolutionäre Reise verstehen, die es zurückgelegt hat, um dorthin zu gelangen.

Alte Methode: „Ich sehe ein Protein. Ist es gut? Ich werde basierend darauf raten, wie es aussieht."
Evo-PU-Methode: „Ich sehe ein Protein. Ich weiß, dass es eine Mutation von einem häufigen Protein entfernt ist. Da ich diese spezifische Mutation noch nicht gesehen habe, ist es wahrscheinlich ein Misserfolg. Aber wenn es eine seltsame, komplexe Mutation ist, werde ich ihr eine Chance geben, weil es einfach schwer zu finden ist."

Indem Evo-PU berücksichtigt, wie wahrscheinlich es ist, dass ein Protein in der Natur erscheint, liefert es ein viel klareres Bild davon, welche Proteine wirklich funktional sind und welche evolutionäre Sackgassen sind.

Technische Zusammenfassung: Verbesserte Vorhersage von Proteinfunktionen durch Modellierung des Überlebendenverzerrungseffekts

Problemstellung

Proteinsequenzdaten, die aus der Natur stammen, sind aufgrund evolutionärer und experimenteller Selektionsprozesse inhärent verzerrt. Diese Überlebendenverzerrung (Survivorship Bias) führt zu Datensätzen, in denen funktionale Sequenzen systematisch überrepräsentiert sind, während nicht-funktionale Mutationen durch natürliche Selektion oder experimentelle Protokolle (z. B. Biopanning) herausgefiltert werden. Folglich steht die Vorhersage von Proteinfunktionen oft vor einem Positive-Unlabeled (PU)-Lernszenario: Beobachtete Sequenzen sind als funktional (positiv) bekannt, während unbeobachtete Sequenzen ungelabelt sind – sie könnten funktional, aber unbeobachtet sein, oder tatsächlich nicht-funktional.

Bestehende PU-Lernmethoden gehen typischerweise von einer konstanten Klassenpriorwahrscheinlichkeit (die Wahrscheinlichkeit, dass eine ungelabelte Sequenz tatsächlich positiv ist) für alle Sequenzen aus. Diese Annahme ist biologisch unrealistisch, da die Wahrscheinlichkeit, dass eine Sequenz beobachtet wird, von ihrer evolutionären Zugänglichkeit abhängt. Sequenzen, die nur eine Mutation von weit verbreiteten Varianten entfernt sind, treten viel häufiger auf und werden eher beobachtet als solche, die mehrere gleichzeitige Mutationen erfordern. Standardmethoden berücksichtigen diese Variabilität nicht, was ihre Vorhersageleistung begrenzt. Darüber hinaus erfassen Protein-Sprachmodelle (PLMs) zwar evolutionäre Zwänge, leiten jedoch oft statistische Muster aus beobachteten Verteilungen ab, ohne die mutationalen Pfade und Überwachungsprozesse explizit zu modellieren, die bestimmen, welche Varianten fehlen.

Methodik: Evo-PU

Die Autoren schlagen Evo-PU vor, ein PU-Lernframework, das die Überlebendenverzerrung durch einen evolutionär informierten, sequenzabhängigen Klassenprior explizit modelliert. Der Kerngedanke ist, dass funktionale Nukleotidsequenzen, die näher an den in der Natur weit verbreiteten liegen, mit höherer Wahrscheinlichkeit beobachtet werden, da sie über machbare mutationalle Pfade entstehen können.

1. Probabilistischer Daten-Generierungsprozess

Evo-PU formalisiert den Beobachtungsprozess in drei Stufen:

Entstehung ( $E$ ): Eine Nukleotidsequenz $y$ entsteht durch Mutation aus einem Vorfahren.
Funktionalität ( $A$ ): Die Sequenz kodiert ein funktionales Protein.
Beobachtung ( $O$ ): Die Sequenz wird mit einer Wahrscheinlichkeit $p_o$ durch einen Überwachungsprozess detektiert.

Die Wahrscheinlichkeit, eine Aminosäuresequenz $x$ zu beobachten, wird wie folgt hergeleitet:
$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$
Wobei:

$p_a(x; \theta)$ der Klassifikator ist, der die Wahrscheinlichkeit der Funktionalität schätzt.
Der Term in Klammern den sequenzabhängigen Klassenprior darstellt, der die Wahrscheinlichkeit erfasst, dass eine funktionale Sequenz $x$ beobachtet wird.
$p_e(y; \alpha)$ die Wahrscheinlichkeit ist, dass eine Nukleotidsequenz $y$ durch Mutation aus beobachteten Vorfahren entsteht.

2. Nukleotid-Entstehungsmodell

Um $p_e(y; \alpha)$ zu schätzen, geht das Modell davon aus, dass beobachtete Nukleotidsequenzen ( $D_Y$ ) als Vorfahren dienen. Die Entstehungswahrscheinlichkeit für eine unbeobachtete Sequenz $y$ wird basierend auf folgenden Faktoren berechnet:

Mutationsdistanz: Die Wahrscheinlichkeit einer Mutation von einem Vorfahren $y'$ zu $y$ , wobei zwischen Transitionen (häufiger) und Transversionen (seltener) unterschieden wird.
Verbreitung: Die Häufigkeit des Vorfahren $y'$ in den beobachteten Daten, bezeichnet als $c(y')$ .
Skalierung: Ein Hyperparameter $\alpha$ skaliert die effektive Entstehungsrate, um Faktoren wie Reproduktionsausfälle zu berücksichtigen.

Die Entstehungswahrscheinlichkeit wird approximiert als:
$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$

3. Effiziente Likelihood-Approximation

Die exakte Berechnung der Likelihood ist für lange Sequenzen aufgrund der exponentiellen Größe des unbeobachteten Sequenzraums nicht durchführbar. Evo-PU verwendet eine effiziente Approximation:

Es beschränkt die Menge der unbeobachteten Sequenzen ( $\hat{D}'_X$ ) auf diejenigen, die durch Einzelnukleotid-Mutationen aus beobachteten Daten entstehen und eine hohe Entstehungswahrscheinlichkeit haben ( $p_e > \epsilon$ ).
Es beschränkt die Menge der kodierenden Nukleotide $Y(x)$ für jede Aminosäuresequenz auf den Schnittbereich der beobachteten und wahrscheinlich entstehenden Nukleotide.
Dies ermöglicht eine handhabbare Optimierung der Log-Likelihood-Funktion mit Standardmethoden auf Gradientenbasis.

4. Implementierungsdetails

Klassifikator: Das Framework ist unabhängig von der Klassifikatorarchitektur, nutzt in den Experimenten jedoch Logistische Regression (LR) und ein Wide & Deep (WD) neuronales Netz.
Repräsentation: Sequenzen werden unter Verwendung physikochemischer Eigenschaften von Aminosäuren (CHEM) kodiert, um eine kontinuierliche Optimierung zu ermöglichen.
Training: Das Modell schätzt gemeinsam die Parameter des Klassifikators $\theta$ , die Überwachungseffizienz $p_o$ und den Entstehungsskalierungsfaktor $\alpha$ , indem es die approximierte Log-Likelihood mit $L_2$ -Regularisierung maximiert.

Hauptbeiträge

Neues Framework: Einführung von Evo-PU, dem ersten PU-Lernframework, das ein wissenschaftliches Verständnis der Nukleotidmutation integriert, um die Überlebendenverzerrung über einen sequenzabhängigen Klassenprior zu modellieren.
Biologische Fundierung: Im Gegensatz zu Standard-PU-Methoden, die von einem konstanten Klassenprior ausgehen, modelliert Evo-PU explizit, wie mutationale Zugänglichkeit und Verbreitung gemeinsam die Beobachtungswahrscheinlichkeiten bestimmen.
Skalierbare Approximation: Entwicklung einer effizienten Approximationsmethode, die sich auf biologisch plausible, nukleotidabgeleitete Varianten konzentriert und die Likelihood-Berechnung für große Sequenzräume handhabbar macht.
Umfassende Evaluation: Rigorose Tests an Datensätzen einzelner Organismen (Influenza, RSV, SARS-CoV-2) und an Multi-Organismus-Benchmarks (ProteinGym).

Experimentelle Ergebnisse

Die Autoren evaluierten Evo-PU an drei Aufgaben für einzelne Organismen (Vorhersage funktionaler Motive bei Influenza, RSV und SARS-CoV-2) und zwei Multi-Organismus-ProteinGym-Benchmarks.

Aufgaben für einzelne Organismen: Evo-PU übertraf konsistent Standard-PU-Lernmethoden (Protein-PU, 2Step), One-Class-Classification-Methoden (OCC) (OC-SVM, iForest) und Protein-Sprachmodelle (PLMs wie EVE, ESM-1v, kNN-ESM2).
- Bemerkenswerte Verbesserungen wurden bei der Vorhersage von Influenza-Fusions- und Bindungsmotiven, RSV-HRC-Motiven und dem zukünftigen Auftreten von SARS-CoV-2-Varianten beobachtet.
- Bei der SARS-CoV-2-Auftretensaufgabe erreichte Evo-PU die höchste Spearman-Korrelation ( $\rho$ ) zwischen der vorhergesagten funktionalen Wahrscheinlichkeit und den beobachteten Variantenhäufigkeiten.
Aufgaben für mehrere Organismen (ProteinGym): Auf heterogenen Datensätzen (PSAE und A0) erzielten PLM-basierte Methoden die stärkste Leistung. Die Autoren führen die reduzierte Leistung von Evo-PU in diesem Regime auf sein Design für gut überwachte Daten einzelner Organismen und die Annahme gleicher Verbreitung über Sequenzen hinweg zurück, was seine Fähigkeit einschränkt, heterogene Überwachungsraten zu modellieren.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass Evo-PU einen prinzipiellen Ansatz zur Modellierung der Überlebendenverzerrung in Protein-Datenbanken bietet und das wissenschaftliche Verständnis der Biochemie und Biologie voranbringt. Durch die explizite Einbettung von Nukleotid-Mutationen und natürlicher Selektion in das Beobachtungsmodell liefert die Methode eine biologisch fundierte Likelihood für Aminosäuresequenzen.

Die Autoren geben an, dass diese Arbeit potenziell positive Auswirkungen hat in:

Arzneimittelforschung: Beschleunigung der Identifizierung therapeutischer Ziele und des Designs wirksamer Biologika.
Biomaterialien: Anleitung beim Engineering von Proteinen mit gewünschten Eigenschaften.
Grundlagenforschung: Bereitstellung eines Rahmens, um die Beziehung zwischen Proteinsequenz und Funktion in Gegenwart von Selektionsverzerrungen besser zu verstehen.

Die Arbeit räumt bescheiden Einschränkungen ein und stellt fest, dass das aktuelle Modell keine Insertionen oder Deletionen berücksichtigt und dass die Erweiterung des Frameworks zur Handhabung heterogener Beobachtbarkeit und Datensätze ohne Verbreitungsinformationen eine Richtung für zukünftige Arbeiten bleibt. Sie betont zudem die Notwendigkeit eines verantwortungsvollen Gebrauchs, um die Konstruktion gefährlicher Proteinsequenzen zu verhindern.