Resumen Técnico: PRIME (Representación de Proteínas mediante Jerarquías Equivariantes Multiescala Informadas por Física)

Enunciado del Problema

Las proteínas son sistemas físicos inherentemente multiescala donde las propiedades funcionales emergen de una organización estructural coordinada que abarca desde interacciones atómicas hasta la topología del plegamiento global. Los métodos existentes de aprendizaje de representaciones de proteínas suelen operar a una única resolución estructural (por ejemplo, nivel de secuencia, atómico o superficial) o tratan diferentes fuentes estructurales como modalidades paralelas integradas mediante alineación latente o fusión en etapas tardías. Estos enfoques no modelan explícitamente las relaciones jerárquicas entre las escalas estructurales (por ejemplo, cómo los átomos forman residuos, que a su vez forman estructuras secundarias, las cuales forman el plegamiento global). En consecuencia, tratan resoluciones espaciales distintas como vistas semánticas independientes en lugar de niveles anidados dentro de una jerarquía física compartida, lo que limita su capacidad para capturar interacciones que emergen a través de las resoluciones.

Metodología

Los autores presentan PRIME, un marco unificado que modela las proteínas como una familia anidada de cinco grafos estructurales fundamentados físicamente. El marco opera a través de dos etapas principales: construcción de grafos jerárquicos y paso de mensajes multiescala.

1. Construcción de Grafos Jerárquicos

PRIME define una jerarquía $\mathcal{G} = \{G^{(0)}, G^{(1)}, G^{(2)}, G^{(3)}, G^{(4)}\}$ que abarca cinco niveles, desde resolución fina hasta gruesa:

• Nivel 0 (Superficie): Los nodos son caras triangulares de la malla de la superficie molecular.
• Nivel 1 (Átomo): Los nodos son átomos pesados.
• Nivel 2 (Residuo): Los nodos son residuos de aminoácidos.
• Nivel 3 (Estructura Secundaria): Los nodos son elementos de estructura secundaria (EES: hélices, hebras, bucles).
• Nivel 4 (Proteína): Un único nodo que representa a la proteína completa.

Conectividad y Asignación:

• Aristas: El nivel más fino ($G^{(0)}$) utiliza $k$-vecinos más cercanos ($k=8$) sobre los centroides de las caras. Los niveles más gruesos derivan las aristas de manera determinista desde el nivel más fino mediante matrices de partición $\Pi^{(\ell)}$, donde $A^{(\ell)} = (\Pi^{(\ell)})^\top A^{(\ell-1)} \Pi^{(\ell)}$. Esto resulta en matrices de adyacencia ponderadas que reflejan el número de conexiones a escala fina entre unidades gruesas, codificando la proximidad espacial sin construcción explícita de aristas basadas en coordenadas en cada nivel.
• Mapas de Asignación: Las transiciones entre niveles están gobernadas por operadores de asignación deterministas e informados por física $\pi^{(\ell)}$ derivados de principios bioquímicos (por ejemplo, distancia euclidiana para superficie-átomo, enlace covalente para átomo-residuo, algoritmo DSSP para residuo-EES).
• Características de los Nodos:
  • Superficie: Descriptores geométricos artesanales (área, distancia del centroide) + incrustaciones de una Red Neuronal de Malla Equivariante preentrenada (EMNN).
  • Átomo: Tipo de elemento/pertenencia a la columna vertebral + incrustaciones de una Red Neuronal de Grafo Equivariante preentrenada (EGNN).
  • Residuo: Identidad del aminoácido, ángulos de la columna vertebral, curvatura y ángulos torsionales.
  • EES: Codificación one-hot del tipo y longitud normalizada.
  • Proteína: Representación global de un modelo ESM-2 preentrenado.

2. Paso de Mensajes Multiescala

PRIME emplea una pila de $N$ capas jerárquicas para propagar información bidireccionalmente. Cada capa realiza tres operaciones secuenciales:

1. Paso de Mensajes Intranivel: Refina las representaciones en cada nivel de forma independiente utilizando convoluciones de grafos con normalización previa a la capa, conexiones residuales y redes de alimentación hacia adelante.
2. Agregación de Abajo hacia Arriba: Propaga detalles de grano fino hacia arriba agregando representaciones del nivel $\ell-1$ al $\ell$ utilizando $(\Pi^{(\ell)})^\top$, seguido de una fusión con compuerta.
3. Refinamiento Contextual de Arriba hacia Abajo: Difunde el contexto de nivel grueso hacia abajo desde el nivel $\ell$ al $\ell-1$ utilizando $\Pi^{(\ell)}$, seguido de una fusión con compuerta simétrica.

El mecanismo de fusión con compuerta incorpora selectivamente el contexto $c$ en la representación actual $z$ mediante una compuerta aprendible $g = \sigma(W_g [z \| c])$. La representación final se lee desde un nivel designado $\ell^*$ (típicamente el nivel de residuo) para tareas posteriores. El marco está diseñado para ser invariante SE(3) de extremo a extremo, ya que todas las características de entrada y operaciones son libres de coordenadas o utilizan incrustaciones escalares invariantes de codificadores equivariantes.

Contribuciones Clave

• Marco Unificado: PRIME propone un único marco que modela las proteínas como una familia anidada de cinco grafos fundamentados físicamente, conectados por operadores de asignación deterministas, permitiendo el modelado explícito de la organización física jerárquica.
• Intercambio de Información Bidireccional: El método facilita el flujo de información mediante agregación de abajo hacia arriba (fino a grueso) y refinamiento de arriba hacia abajo (grueso a fino), permitiendo que cada nivel codifique tanto su propia información específica de modalidad como señales contextuales de todas las demás escalas.
• Sesgo Inductivo Informado por Física: A diferencia del agrupamiento de grafos impulsado por datos, PRIME aprovecha restricciones bioquímicas y geométricas conocidas para definir la jerarquía, proporcionando una base principista para el aprendizaje de representaciones multiescala.
• Lectura Adaptativa: El marco admite lecturas de atención cruzada adaptativas, permitiendo que el modelo identifique y pese autónomamente las resoluciones estructurales más relevantes para la tarea en el momento de la predicción.

Resultados Experimentales

PRIME fue evaluado en cuatro puntos de referencia de ProteinWorkshop: Clasificación de Plegamiento, Predicción de Clase de Reacción, Predicción de Ontología Génica (GO) y Predicción de Sitios de Interacción Proteína-Proteína (PPI).

• Clasificación de Plegamiento: PRIME logró una precisión de vanguardia en todos los cortes. Notablemente, en los cortes desafiantes de Superfamilia y Plegamiento, superó a la base de referencia de GNN geométrica más fuerte (EGNN) por márgenes de 13.80 y 18.30 puntos, respectivamente.
• Predicción de Clase de Reacción: PRIME alcanzó una precisión del 84.10%, superando a todas las bases de referencia, incluido ESM (83.10%), lo que sugiere que la jerarquía estructural explícita proporciona una señal superior para la predicción de la función enzimática en comparación con los modelos basados solo en secuencia.
• Ontología Génica: El modelo logró el mejor rendimiento en las ontologías de Función Molecular (MF) y Componente Celular (CC), que están estrechamente vinculadas a motivos estructurales y plegamientos globales. El rendimiento en Proceso Biológico (BP) fue menor, probablemente debido a que la anotación depende del contexto evolutivo en lugar de la estructura intrínseca.
• Predicción de Sitios PPI: PRIME alcanzó puntuaciones ROC-AUC competitivas, demostrando aplicabilidad a tareas a nivel de nodo, aunque no encabezó los rankings, lo que indica potencial para elecciones arquitectónicas especializadas para la predicción precisa de interfaces.

Estudios de Ablación:

• Eliminar cualquier nivel estructural individual degradó consistentemente el rendimiento, confirmando que cada nivel contribuye con información complementaria y no redundante.
• La eliminación del nivel de Estructura Secundaria (EES) causó la caída más significativa (por ejemplo, la precisión del corte de Plegamiento bajó del 59.78% al 16.61%), destacando la centralidad de la topología de EES en la discriminación de plegamientos.
• El análisis de atención cruzada adaptativa reveló que el modelo asigna autónomamente pesos de atención más altos a los niveles de EES para la clasificación de plegamientos y ajusta los pesos según la tarea (por ejemplo, mayor peso en niveles atómicos/de residuos para la Clase de Reacción), validando la necesidad de un diseño unificado multiescala.

Significancia

El artículo afirma que PRIME proporciona una base principista para el aprendizaje de representaciones de proteínas al tener en cuenta explícitamente la organización jerárquica de la estructura proteica. Al ir más allá de representaciones multimodales planas o paralelas, PRIME captura interacciones que emergen a través de las resoluciones estructurales. Los resultados demuestran que modelar las proteínas como una jerarquía anidada de grafos fundamentados físicamente produce representaciones generalizables que superan a los enfoques unimodales y multimodales existentes, particularmente en tareas que requieren la discriminación de plegamientos estructuralmente similares o la predicción de funciones enzimáticas gobernadas por la geometría del sitio activo. La capacidad del marco para identificar autónomamente las resoluciones relevantes para la tarea subraya aún más el valor de mantener una jerarquía multiescala completa en lugar de comprometerse con una única resolución fija.