Ancestral Sequences Cannot be Accurately Reconstructed via Interpolation in a Variational Autoencoder's Latent Space
Diese Studie zeigt, dass trotz des Potenzials von Variational Autoencodern zur Modellierung epistatischer Interaktionen deren inhärenter Informationsverlust während des Dekodierungsprozesses sie daran hindert, ahnenhafte Sequenzen genau zu rekonstruieren, da sie konsequent von standardmäßigen Likelihood-basierten und Sparsamkeitsmethoden übertroffen werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Tief in der Geschichte des Lebens trägt jedes Lebewesen eine molekulare Aufzeichnung seiner Vorfahren in sich. Wissenschaftler versuchen seit langem, diese Aufzeichnung zu lesen, ein Prozess, der als Rekonstruktion ancestraler Sequenzen bekannt ist. Stellen Sie sich vor, Sie versuchen, die exakten Worte eines Briefes zu erraten, den ein Urgroßelternteil geschrieben hat, basierend nur auf den Kopien, die deren viele Urenkel besitzen. In der Biologie sind diese „Buchstaben“ die Ketten von Aminosäuren, die Proteine bilden, die Arbeitspferde jeder Zelle. Jahrzehntelang haben Forscher statistische Modelle verwendet, um die fehlenden Wörter zu ergänzen, unter der Annahme, dass sich jeder Buchstabe in der Kette unabhängig von den anderen verändert – wie ein einzelnes Wort in einem Satz, das ausgetauscht wird, ohne die Bedeutung des Ganzen zu beeinflussen. Dieser Ansatz war das Standardwerkzeug, um zu verstehen, wie Proteine über Millionen von Jahren hinweg evolvierten.
Die Biologie ist jedoch selten so einfach. In der Realität hängen die Buchstaben in einer Proteinkette oft voneinander ab; die Änderung einer Aminosäure könnte nur dann sicher sein, wenn in der Nähe eine spezifische andere Änderung stattfindet. Diese komplexe Interdependenz, bekannt als Epistasie, ist mit traditionellen statistischen Werkzeugen schwer zu erfassen. Kürzlich hat eine neue Generation von Werkzeugen der künstlichen Intelligenz, speziell ein Typ von Deep-Learning-Modell namens Variational Autoencoder, einen anderen Weg aufgezeigt. Diese Modelle sind exzellent darin, verborgene Muster in riesigen Datenmengen zu finden. Sie können eine lange Proteinsequenz in eine kompakte, mathematische Zusammenfassung oder ein „Embedding“ komprimieren und dann versuchen, die ursprüngliche Sequenz aus dieser Zusammenfassung wieder aufzubauen. Da diese Modelle direkt aus den Daten lernen, ohne angewiesen zu werden, Verbindungen zwischen den Buchstaben zu ignorieren, hofften viele Wissenschaftler, sie könnten das Problem der Epistasie lösen und antike Proteine mit beispielloser Genauigkeit rekonstruieren.
Ein Team von Forschern setzte sich zum Ziel, diese Hoffnung direkt zu testen. Sie bauten eine Pipeline, die diese KI-Modelle nutzte, um die Sequenzen antiker Proteine zu erraten. Die Idee war geradlinig: Man nehme die modernen Proteine, die wir heute haben, komprimiere sie in diese mathematischen Zusammenfassungen und nutze dann den bekannten Stammbaum der Proteine, um zu interpolieren, oder zu erraten, wie die Zusammenfassungen der antiken Vorfahren ausgesehen haben könnten. Sobald sie diese erratenen Zusammenfassungen hatten, würden sie diese zurück in die KI einspeisen, um die tatsächlichen Aminosäuresequenzen zu generieren. Wenn dies funktionieren würde, bedeutete es, dass Deep Learning die Grenzen der traditionellen Statistik umgehen und die wahre Geschichte der Proteine enthüllen könnte, selbst wenn diese Geschichten durch komplexe Interaktionen zwischen verschiedenen Teilen des Moleküls geformt wurden.
Die Forscher stellten diese Idee mithilfe von Computersimulationen auf die Probe. Sie erstellten tausende falsche Proteinfamilien, die im Laufe der Zeit evolvierten – zuerst nach den einfachen, unabhängigen Regeln, die traditionelle Modelle annehmen, und dann nach komplexen Regeln, die die interdependenten Veränderungen der Natur beinhalten. Sie versuchten dann, die Vorfahren dieser fiktiven Familien sowohl mit der neuen KI-Methode als auch mit den etablierten statistischen Methoden zu rekonstruieren. Die Ergebnisse waren klar und konsistent. In jedem Szenario, egal ob die Proteine sich einfach oder mit komplexen Abhängigkeiten entwickelten, übertrafen die traditionellen statistischen Methoden den KI-Ansatz. Das Deep-Learning-Modell scheiterte daran, akkurate ancestrale Sequenzen zu erzeugen, selbst in genau jenen Situationen, in denen es hätte glänzen sollen.
Die Studie ging tiefer, um zu verstehen, warum die KI scheiterte. Es stellte sich heraus, dass das Problem nicht darin lag, dass die KI die Struktur des Stammbaums übersehen hatte. Als die Forscher die mathematischen Zusammenfassungen untersuchten, fanden sie, dass die KI tatsächlich gelernt hatte, die Proteine in einer Weise zu organisieren, die ihre evolutionären Beziehungen widerspiegelte. Das Versagen lag im Schritt der Rekonstruktion selbst. Das KI-Modell verlor in seinem Bestreben, die Daten in eine kleine Zusammenfassung zu komprimieren, unweigerlich einige der feinen Details der ursprünglichen Sequenz. Als die Forscher versuchten, die antiken Proteine aus diesen Zusammenfassungen wieder aufzubauen, war die Information zu unscharf. Das Modell konnte keine Sequenz mit genügender Präzision generieren, um der wahren Geschichte zu entsprechen. Selbst als die Forscher die Größe der mathematischen Zusammenfassung erhöhten, um mehr Informationen beizubehalten, waren die Gewinne gering, und das Modell begann, einfach die modernen Proteine auswendig zu lernen, anstatt die allgemeinen Regeln der Evolution zu erlernen.
Die Forscher testeten auch eine fortgeschrittenere Version der KI, der der Stammbaum explizit während des Trainings beigebracht wurde. Sie hofften, dass diese zusätzliche Anleitung helfen würde, aber es verbesserte die Ergebnisse nicht. Der grundlegende Flaschenhals blieb derselbe: Der Prozess des Komprimierens der Sequenz in eine Zusammenfassung und das anschließende Expandieren zurück war für die delikate Aufgabe des Erraten der Vergangenheit zu verlustbehaftet. Die Studie kommt zu dem Schluss, dass diese KI-Embeddings zwar leistungsstarke Werkzeuge zur Visualisierung von Proteinfamilien und zur Vorhersage des Verhaltens moderner Proteine sind, aber noch nicht bereit sind, die etablierten statistischen Methoden zur Rekonstruktion der Vergangenheit zu ersetzen. Die Hoffnung, dass Deep Learning das Problem komplexer evolutionärer Interaktionen mühelos lösen könnte, war in dieser spezifischen Anwendung eine Sackgasse. Die traditionellen Methoden bleiben trotz ihrer einfacheren Annahmen der zuverlässigere Weg, die molekulare Geschichte des Lebens zu lesen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.