A Persistent Homology Signature of Knotting

Resumen Técnico: Una firma de homología persistente del anudamiento

Planteamiento del problema
El artículo aborda el desafío de detectar el anudamiento topológico en estructuras geométricas complejas, específicamente en esqueletos de proteínas y curvas sintéticas. Aunque se sabe que existen proteínas anudadas (por ejemplo, nudos de tipo trébol y de la figura ocho) y que están catalogadas en bases de datos como KnotProt 2.0, distinguir estas de homólogas no anudadas con secuencias y estructuras globales similares sigue siendo difícil. Los descriptores geométricos estándar a menudo no logran capturar las firmas topológicas locales necesarias para diferenciar los estados anudados de los no anudados, particularmente en casos donde el nudo se forma por un paso de hebra localizado profundamente dentro del plegamiento (como se observa en las proteínas AOTCase frente a OTCase). Los autores investigan si la Homología Persistente (PH, por sus siglas en inglés), una herramienta del Análisis de Datos Topológicos (TDA), puede proporcionar una firma de anudamiento robusta y cuantificable que vaya más allá de estudios de caso específicos.

Metodología
Los autores proponen un flujo de trabajo computacional que transforma una curva espacial (esqueleto de proteína o lazo sintético) en una nube de puntos y analiza sus características topológicas mediante los siguientes pasos:

1. Generación de la nube de puntos: Para las proteínas, se extraen las coordenadas de los carbonos alfa ($\alpha$-carbono) para formar una nube de puntos $X \subset \mathbb{R}^3$. Para la validación sintética, se generan caminatas aleatorias de autoevitación utilizando el paquete Topoly.
2. Computación de la Homología Persistente (PH): Se computa la homología persistente unidimensional utilizando una filtración de Vietoris–Rips sobre $\mathbb{Z}_2$ (implementada mediante Ripserer.jl). Esto rastrea el nacimiento y la muerte de características de tipo lazo a través de diversas escalas.
3. Extracción de ciclos y construcción de hipergrafos: Se extraen representantes de ciclos explícitos para las clases persistentes de $H_1$. Estos representantes (colecciones de aristas) se codifican como hiperaristas $\sigma_c$ en un hipergrafo de PH $H = (V, E)$, donde los vértices corresponden a residuos/puntos y las hiperaristas corresponden al soporte de un ciclo persistente.
4. Descriptor de curvatura: En lugar de utilizar medidas de centralidad, los autores asignan una curvatura de Ricci-Forman no ponderada y no dirigida ($F(e)$) a cada hiperarista. La fórmula utilizada es:
   $$F(e) = 2|e| - D$$
   donde $|e|$ es la cardinalidad de la hiperarista (número de vértices) y $D = \sum_{k \in e} d_k$ es la suma de los grados de los vértices en la hiperarista (el número de otras hiperaristas que comparten dichos vértices).
   • Interpretación: Una curvatura más negativa indica una mayor superposición entre ciclos (mayor $D$), lo que sugiere un mayor entrelazamiento topológico.
5. Análisis estadístico: Para cada proteína o lazo, se computa la mediana de los valores de curvatura de las hiperaristas. Las distribuciones de estas medianas se comparan entre estructuras anudadas/con nudos de deslizamiento (slipknots) y sus homólogas no anudadas utilizando Estimación de Densidad de Kernel (KDE), la prueba de Kolmogorov-Smirnov (KS) (para desplazamientos distribucionales) y la prueba de Levene (para diferencias de varianza).

Contribuciones clave

• Descriptor novedoso: El artículo introduce la aplicación de la curvatura de Ricci-Forman en hipergrafos de PH como un descriptor escalar local para el entrelazamiento topológico. Esto difiere de las aplicaciones previas de PH que dependían de pares de nacimiento-muerte o de la centralidad a nivel de red.
• Generalización: Aunque motivado por el estudio de caso específico de AOTCase/OTCase (donde previamente se identificó una clase $H_1$ adicional), este trabajo pone a prueba la hipótesis a través de cuatro familias de proteínas distintas (tréboles positivos $K+3(1)$, nudos de deslizamiento $S+3(1)$, figuras ocho $K4(1)$ y nudos de deslizamiento $S4(1)$) y lazos poliméricos sintéticos.
• Validación en datos sintéticos: El método se valida en laos anudados y no anudados generados aleatoriamente de diversas longitudes, demostrando que la señal es una consecuencia del entrelazamiento topológico mismo, independiente de secuencias de plegamiento proteico específicas.

Resultos
El estudio reporta un patrón consistente en todos los conjuntos de datos probados:

• Desplazamiento de la curvatura: Las estructuras anudadas y con nudos de deslizamiento exhiben una distribución de la mediana de la curvatura de Ricci-Forman desplazada hacia valores más negativos en comparación con sus homólogas no anudadas. Esto respalda la hipótesis de que el anudamiento aumenta la superposición entre los ciclos persistentes, incrementando así los grados de los vértices ($D$) y reduciendo $F(e)$.
• Reducción de la varianza: Las estructuras anudadas muestran una varianza significativamente menor en sus distribuciones de curvatura en comparación con las no anudadas. La prueba de Levene confirma que esta reducción de la varianza es estadísticamente significativa ($p_{FDR} \leq 4.0 \times 10^{-3}$) para las cuatro familias de proteínas.
• Diferencias distribucionales: Tres de las cuatro familias de proteínas ($K+3(1)$, $S+3(1)$ y $K4(1)$) muestran diferencias globales significativas en la distribución (prueba KS) entre los grupos anudados y no anudados. La familia $S4(1)$ no mostró un desplazamiento significativo en la mediana, pero exhibió el contraste de varianza más extremo, sugiriendo que el nudo de deslizamiento restringe el régimen de curvatura incluso sin desplazar el centro de la distribución.
• Dependencia de la longitud de la cadena: En los lazos sintéticos, la separación entre las distribuciones de curvatura anudadas y no anudadas se vuelve detectable en longitudes de cadena $L \geq 150$ y crece sustancialmente para $L \geq 200$, lo que indica que la señal se fortalece con la complejidad topológica.

Significancia y afirmaciones
El artículo afirma que el anudamiento deja una firma detectable y cuantificable en las estadísticas de curvatura derivadas de la homología persistente. La significancia principal radica en demostrar que un descriptor geométrico local simple (curvatura de Ricci-Forman en hiperaristas de PH) puede distinguir de manera robusta entre estructuras anudadas y no anudadas a través de diversas familias de proteínas y modelos sintéticos.

Los autores enfatizan que esta perspectiva es distinta de las conexiones existentes entre PH y la curvatura en otros entornos; aquí, la conexión se realiza a través de hiperaristas derivadas de ciclos en lugar de filtraciones basadas en la curvatura. Aunque la computación es sencilla, el hallazgo de que el anudamiento impone una "organización estructural más apretada", reflejada en una curvatura más negativa y menos variable, se presenta como un nuevo conocimiento. Los autores sugieren que este enfoque podría servir como una característica informada topológicamente para el aprendizaje supervisado en el reconocimiento de nudos, aunque no proponen aplicaciones biológicas específicas más allá de la detección del anudamiento en sí. El estudio se mantiene modesto, señalando que la señal es una propiedad estadística del conjunto y no necesariamente localiza el nudo a un residuo específico sin un análisis adicional.