Resumen Técnico: Mejor Predicción de la Función de Proteínas Modelando el Sesgo de Supervivencia

Declaración del Problema

Los datos de secuencias de proteínas derivados de la naturaleza están inherentemente sesgados debido a los procesos de selección evolutiva y experimental. Este sesgo de supervivencia resulta en conjuntos de datos donde las secuencias funcionales están sistemáticamente sobrerrepresentadas, mientras que las mutaciones no funcionales son filtradas por la selección natural o protocolos experimentales (por ejemplo, biopanning). En consecuencia, la predicción de la función de proteínas a menudo enfrenta un escenario de aprendizaje Positivo-No Etiquetado (PU): las secuencias observadas se sabe que son funcionales (positivas), mientras que las secuencias no observadas son no etiquetadas; pueden ser funcionales pero no observadas, o verdaderamente no funcionales.

Los métodos existentes de aprendizaje PU asumen típicamente un prior de clase constante (la probabilidad de que una secuencia no etiquetada sea verdaderamente positiva) a través de todas las secuencias. Esta suposición es biológicamente poco realista porque la probabilidad de que una secuencia sea observada depende de su accesibilidad evolutiva. Las secuencias a una mutación de distancia de variantes prevalentes son mucho más propensas a surgir y ser observadas que aquellas que requieren múltiples mutaciones simultáneas. Los métodos estándar no tienen en cuenta esta variabilidad, lo que limita su rendimiento predictivo. Además, aunque los Modelos de Lenguaje de Proteínas (PLM) capturan restricciones evolutivas, a menudo infieren patrones estadísticos a partir de distribuciones observadas sin modelar explícitamente las vías mutacionales y los procesos de vigilancia que determinan qué variantes faltan.

Metodología: Evo-PU

Los autores proponen Evo-PU, un marco de aprendizaje PU que modela explícitamente el sesgo de supervivencia mediante un prior de clase dependiente de la secuencia e informado por la evolución. La idea central es que las secuencias de nucleótidos funcionales más cercanas a las prevalentes en la naturaleza son más propensas a ser observadas porque pueden surgir a través de vías mutacionales factibles.

1. Proceso Probabilístico de Generación de Datos

Evo-PU formaliza el proceso de observación a través de tres etapas:

• Emergencia ($E$): Una secuencia de nucleótidos $y$ emerge mediante mutación a partir de un ancestro.
• Funcionalidad ($A$): La secuencia codifica una proteína funcional.
• Observación ($O$): La secuencia es detectada por un proceso de vigilancia con probabilidad $p_o$.

La verosimilitud de observar una secuencia de aminoácidos $x$ se deriva como:
$$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$$
Donde:

• $p_a(x; \theta)$ es el clasificador que estima la probabilidad de funcionalidad.
• El término entre corchetes representa el prior de clase dependiente de la secuencia, que captura la probabilidad de que una secuencia funcional $x$ sea observada.
• $p_e(y; \alpha)$ es la probabilidad de que una secuencia de nucleótidos $y$ emerja a partir de ancestros observados mediante mutación.

2. Modelo de Emergencia de Nucleótidos

Para estimar $p_e(y; \alpha)$, el modelo asume que las secuencias de nucleótidos observadas ($D_Y$) sirven como ancestros. La probabilidad de emergencia para una secuencia no observada $y$ se calcula basándose en:

• Distancia Mutacional: La probabilidad de mutación de un ancestro $y'$ a $y$, distinguiendo entre transiciones (más comunes) y transversiones (menos comunes).
• Prevalencia: La frecuencia del ancestro $y'$ en los datos observados, denotada como $c(y')$.
• Escala: Un hiperparámetro $\alpha$ escala la tasa efectiva de emergencia para tener en cuenta factores como el fracaso reproductivo.

La probabilidad de emergencia se aproxima como:
$$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$$

3. Aproximación Eficiente de la Verosimilitud

El cálculo exacto de la verosimilitud es intratable para secuencias largas debido al tamaño exponencial del espacio de secuencias no observadas. Evo-PU emplea una aproximación eficiente:

• Restringe el conjunto de secuencias no observadas ($\hat{D}'_X$) a aquellas generadas por mutaciones de un solo nucleótido a partir de datos observados que tienen una alta probabilidad de emergencia ($p_e > \epsilon$).
• Restringe el conjunto de nucleótidos codificantes $Y(x)$ para cualquier secuencia de aminoácidos a la intersección de nucleótidos observados y probablemente emergentes.
• Esto permite una optimización tratable de la función de log-verosimilitud utilizando métodos estándar basados en gradientes.

4. Detalles de Implementación

• Clasificador: El marco es agnóstico a la arquitectura del clasificador, pero utiliza Regresión Logística (LR) y una red neuronal Wide & Deep (WD) en los experimentos.
• Representación: Las secuencias se codifican utilizando propiedades fisicoquímicas de los aminoácidos (CHEM) para permitir una optimización continua.
• Entrenamiento: El modelo estima conjuntamente los parámetros del clasificador $\theta$, la eficiencia de vigilancia $p_o$ y el factor de escala de emergencia $\alpha$ maximizando la log-verosimilitud aproximada con regularización $L_2$.

Contribuciones Clave

1. Marco Novel: Introducción de Evo-PU, el primer marco de aprendizaje PU que incorpora una comprensión científica de la mutación de nucleótidos para modelar el sesgo de supervivencia mediante un prior de clase dependiente de la secuencia.
2. Fundamento Biológico: A diferencia de los métodos PU estándar que asumen un prior de clase constante, Evo-PU modela explícitamente cómo la accesibilidad mutacional y la prevalencia determinan conjuntamente las probabilidades de observación.
3. Aproximación Escalable: Desarrollo de un método de aproximación eficiente que se centra en variantes derivadas de nucleótidos biológicamente plausibles, haciendo el cálculo de la verosimilitud tratable para grandes espacios de secuencias.
4. Evaluación Exhaustiva: Pruebas rigurosas en conjuntos de datos virales de un solo organismo (Influenza, RSV, SARS-CoV-2) y en puntos de referencia multi-organismo (ProteinGym).

Resultados Experimentales

Los autores evaluaron Evo-PU en tres tareas de un solo organismo (predicción de motivos funcionales en Influenza, RSV y SARS-CoV-2) y dos puntos de referencia multi-organismo ProteinGym.

• Tareas de un Solo Organismo: Evo-PU superó consistentemente a los métodos estándar de aprendizaje PU (Protein-PU, 2Step), métodos de Clasificación de una Clase (OCC) (OC-SVM, iForest) y Modelos de Lenguaje de Proteínas (PLM como EVE, ESM-1v, kNN-ESM2).
  • Se observaron mejoras notables en la predicción de motivos de fusión y unión de Influenza, motivos HRC de RSV y la aparición futura de variantes de SARS-CoV-2.
  • En la tarea de aparición de SARS-CoV-2, Evo-PU logró la correlación de Spearman ($\rho$) más alta entre la probabilidad funcional predicha y las frecuencias de variantes observadas.
• Tareas Multi-Organismo (ProteinGym): En conjuntos de datos heterogéneos (PSAE y A0), los métodos basados en PLM lograron el mejor rendimiento. Los autores atribuyen el rendimiento reducido de Evo-PU en este régimen a su diseño para datos de un solo organismo bien vigilados y a la suposición de prevalencia igual entre secuencias, lo que limita su capacidad para modelar tasas de vigilancia heterogéneas.

Significado y Afirmaciones

El artículo afirma que Evo-PU proporciona un enfoque fundamentado para modelar el sesgo de supervivencia en bases de datos de proteínas, avanzando en la comprensión científica de la bioquímica y la biología. Al integrar explícitamente la mutación a nivel de nucleótidos y la selección natural en el modelo de observación, el método produce una verosimilitud fundamentada biológicamente para las secuencias de aminoácidos.

Los autores declaran que este trabajo tiene impactos positivos potenciales en:

• Descubrimiento de Fármacos: Acelerando la identificación de objetivos terapéuticos y el diseño de biológicos efectivos.
• Biomateriales: Guiando la ingeniería de proteínas con propiedades deseadas.
• Investigación Básica: Proporcionando un marco para comprender mejor la relación entre la secuencia de proteínas y la función en presencia de sesgo de selección.

El artículo reconoce modestamente las limitaciones, señalando que el modelo actual no tiene en cuenta inserciones o deleciones y que extender el marco para manejar la observabilidad heterogénea y conjuntos de datos que carecen de información de prevalencia sigue siendo una dirección para trabajos futuros. También enfatiza la necesidad de un uso responsable para prevenir el diseño de secuencias de proteínas peligrosas.