Resumen Técnico: LineageFlow

Enunciado del Problema

La ingeniería de proteínas requiere generar secuencias que sean biofísicamente plausibles y que permanezcan como miembros reconocibles de una familia o dominio objetivo, mientras se explora la diversidad dentro de la familia. Los modelos generativos discretos actuales, incluidos los enfoques basados en difusión y flujo, típicamente inicializan la generación desde ruido de simplex uniforme o corrupción de tokens enmascarados. Los autores argumentan que estos priores genéricos son "agnósticos a la familia" y descartan fuertes restricciones específicas de posición inducidas por la evolución. En consecuencia, el modelo se ve obligado a reconstruir casi cada residuo, incluidos los altamente conservados, desde estados fuertemente corruptos ("síntesis desde cero"). Esta carga conduce a un control débil de la familia, baja plausibilidad y dificultad para mantener estructuras de dominio-familia reconocibles.

Metodología: LineageFlow

Los autores proponen LineageFlow, un modelo de coincidencia de flujo de Dirichlet que reformula la generación de secuencias de proteínas como una mutación estructurada a partir de un andamio evolucionado, en lugar de una síntesis desde ruido genérico.

1. Inicialización con Prior de Linaje

En lugar de un prior uniforme, LineageFlow inicializa el proceso generativo utilizando priors ancestrales derivados de la Reconstrucción de Secuencias Ancestrales (ASR).

• Construcción: Para una familia de proteínas dada, los autores construyen una Alineación Múltiple de Secuencias (MSA), infieren un árbol filogenético de máxima verosimilitud y realizan ASR marginal en la raíz para obtener una distribución posterior sitio a sitio sobre los residuos.
• Representación: Esta posterior de la raíz se codifica como parámetros de concentración de Dirichlet ($\alpha^{(h,l)}$), definiendo un prior ancestral específico de la familia $q_0^{(h)}(X) = \prod_l \text{Dir}(x^{(l)}; \alpha^{(h,l)})$.
• Mecanismo: Este enfoque preserva los andamios conservados (donde la familia es invariante) mientras retiene la incertidumbre solo en sitios genuinamente variables. El proceso de generación se modela así como un transporte continuo en el simplex de probabilidad desde esta distribución ancestral hacia las secuencias existentes.

2. Coincidencia de Flujo en el Simplex

LineageFlow emplea Coincidencia de Flujo de Dirichlet (DFM).

• Trayectoria: Se define una trayectoria de probabilidad condicional $p_t(x | x_1)$ donde la masa de Dirichlet se concentra alrededor del vértice objetivo $x_1$ a lo largo del tiempo $t \in [0, 1]$.
• Campo Vectorial: El modelo aprende un campo vectorial neuronal dependiente del tiempo $\hat{v}(X, t; \theta)$ que transporta el prior ancestral hacia la distribución de datos. La deriva se reconstruye mediante una parametrización de clasificador $\hat{p}_\theta(x_1 | x_t, t)$, minimizando la pérdida de entropía cruzada promediada en la secuencia.
• Garantía Teórica: Los autores demuestran que el campo analítico específico del linaje satisface la ecuación de continuidad en el simplex, asegurando la conservación de la masa de probabilidad y manteniendo las trayectorias dentro del espacio de estados válido.

3. Redireccionamiento para Muestreo Guiado por Objetivos

Para incorporar objetivos externos de aptitud sin guía de predictor por paso, los autores introducen el Redireccionamiento.

• Proceso: En un tiempo intermedio $t_{int}$, la trayectoria de generación se pausa. Se aplica una intervención de "mutar-seleccionar-amplificar", inspirada en la evolución dirigida.
  • Mutar: Un kernel de propuesta inyecta diversidad en la población de partículas.
  • Seleccionar: Las partículas se reponderan según una puntuación de aptitud $J(X)$ (por ejemplo, predictores de plausibilidad o propiedades específicas).
  • Amplificar: Se realiza un remuestreo según los pesos.
• Base Teórica: Los autores formalizan el redireccionamiento como un problema de selección regularizado por KL, mostrando que la distribución reponderada maximiza la aptitud esperada mientras minimiza la divergencia KL de la ley de propuesta.
• Refinamiento: La partícula seleccionada se integra luego a través del flujo base desde $t_{int}$ hasta $t=1$ para producir la muestra final.

Contribuciones Clave

1. Priors Ancestrales vs. Ruido Genérico: El artículo demuestra que inicializar desde priores de linaje derivados de ASR supera significativamente a las líneas base iniciales uniformes o con enmascaramiento. Transforma la generación de un desruido "desde cero" a una mutación estructurada, preservando los andamios conservados.
2. Guía que Preserva la Variedad: El redireccionamiento proporciona una intervención de un solo paso en tiempo intermedio que dirige las muestras hacia los objetivos sin requerir gradientes en cada paso de Euler, preservando empíricamente la validez de la familia.
3. Generación de Alta Fidelidad: El modelo logra una validez de familia cercana a las secuencias naturales retenidas y mejora la confianza estructural predicha (plausibilidad) mientras mantiene una novedad y diversidad sustanciales.

Resultados Experimentales

El modelo se evaluó en 8,886 familias Pfam-A (conjunto de datos RP35) con 1024 secuencias generadas por método.

• Validez de Familia: LineageFlow logró una precisión de familia top-1 (Accfam) del 95.3%, en comparación con el 0% para las líneas base de prior uniforme (DFM, EvoDiff) y el 92.8% para una línea base solo ASR (ASR-PSSM i.i.d.). Esto indica que los priores de ruido genérico fallan en producir miembros de familia reconocibles incluso cuando se condicionan con etiquetas de familia.
• Plausibilidad (Plegabilidad): LineageFlow logró un pLDDT medio de 76.6, superando a la línea base solo ASR (70.8) y superando significativamente a DFM (46.2) y EvoDiff (45.4). También superó a ProtBFN preentrenado (71.9), a pesar de que ProtBFN se entrenó en un corpus ~8 veces mayor.
• Novedad y Diversidad: Entre las muestras plegables (pLDDT $\ge$ 70), el 86.2% satisfizo una identidad de vecino más cercano (NNId) $< 0.8$, y el 48.9% satisfizo NNId $< 0.6$, demostrando una novedad profunda mientras se retiene la identidad familiar.
• Generación de Enzimas Zero-Shot: En un entorno zero-shot sobre tres familias de enzimas retenidas, LineageFlow con redireccionamiento preservó los motivos conservados y mejoró las puntuaciones proxy de solubilidad y termoestabilidad sin ajuste fino en las familias objetivo.
• Validación Teórica: El análisis del "régimen difícil" (pasos de tiempo tempranos) mostró que los priores ASR proporcionan una señal recuperable más alta para el desruidor en comparación con los priores uniformes, lo que conduce a una mayor precisión óptima de Bayes y una pérdida de entrenamiento más baja.

Significado y Afirmaciones

El artículo afirma que LineageFlow establece un nuevo paradigma para la generación de secuencias de proteínas aprovechando la historia evolutiva directamente en el prior generativo.

• Mecanismo: Al reemplazar el ruido genérico con andamios ancestrales informados por filogenia, el modelo reduce la ambigüedad de los pasos tempranos de generación, permitiendo que el campo vectorial aprendido se centre en modelar la variación evolutiva en lugar de reconstruir la estructura conservada.
• Practicidad: La introducción del Redireccionamiento permite el muestreo guiado por objetivos (por ejemplo, optimización para estabilidad o solubilidad) sin el costo computacional de la guía por paso, haciéndolo adecuado para tareas de estilo de evolución dirigida.
• Limitaciones: Los autores señalan que el método depende de MSAs de alta calidad y de la inferencia filogenética. La generación está vinculada a coordenadas de alineación específicas de la familia (tratando los huecos como máscaras fijas) en lugar de modelar explícitamente las inserciones y deleciones. Además, las evaluaciones dependen de proxies computacionales (por ejemplo, pLDDT de OmegaFold, ESM-IF) y puntuaciones basadas en predictores, lo que significa que la validación funcional en el mundo real queda por probar.

El trabajo sugiere que incorporar un contexto evolutivo explícito (priors de linaje) es crítico para lograr un diseño de proteínas de alta fidelidad y consciente de la familia, ofreciendo una alternativa robusta a los procesos generativos basados en ruido estándar.