Reconstructability of evolutionary intermediates in generative epistatic landscapes

Resumen Técnico: Reconstructibilidad de Intermediarios Evolutivos en Paisajes Epistáticos Generativos

Planteamiento del Problema
Si bien los modelos generativos han aprendido con éxito las restricciones estadísticas de las familias de proteínas para diseñar nuevas secuencias funcionales, el problema de reconstruir las trayectorias evolutivas específicas que conectan dos secuencias silvestres distintas sigue siendo un desafío significativo. Los intermediarios evolutivos conectan las proteínas observadas, pero la secuencia de pasos mutacionales que las produce rara vez es recuperable únicamente a partir de los datos existentes. Las dificultades primordiales incluyen la falta de trayectorias evolutivas de verdad fundamental (ground-truth) en la naturaleza, las suposiciones poco realistas de muchos modelos de simulación (por ejemplo, al ignorar la epistasia) y la estocasticidad intrínseca de la evolución, lo que hace que la reconstrucción determinista de secuencias profundamente divergentes sea imposible. Este artículo aborda la pregunta: ¿qué se puede y qué no se puede inferir sobre los intermediarios evolutivos a partir de sus extremos?

Metodología
Los autores emplean un marco controlado in silico para evaluar modelos de reconstrucción basados en datos frente a trayectorias simuladas de verdad fundamental. El flujo de trabajo consta de cuatro etapas principales:

1. Inferencia del Paisaje: Un modelo probabilístico generativo, específicamente el Análisis de Acoplamiento Directo de Máquina de Boltzmann (bmDCA), se entrena sobre alineamientos de secuencias múltiples (MSA) naturales de familias de proteínas (principalmente corismato mutasas, con resultados complementarios para dominios de $\beta$-lactamasa y RR). Este modelo define un paisaje de energía estadística $H(S)$ que actúa como un sustituto (proxy) del paisaje de aptitud (fitness) epistático.
2. Evolución Simulada: Se simulan trayectorias evolutivas dentro de este paisaje inferido utilizando un proceso estocástico de Cadenas de Markov Monte Carlo (MCMC). Las mutaciones se modelan a nivel de nucleótidos para considerar la degeneración del código genético, incluyendo inserciones y deleciones. Esto genera un conjunto de datos de verdad fundamental de triples de secuencias: una secuencia inicial ($S_{start}$), un punto medio temporal ($S_{mid}$) y un extremo final ($S_{end}$), que abarcan escalas de tiempo evolutivas $\tau$ de $10^1$ a $10^6$ pasos de Monte Carlo.
3. Entrenamiento del Modelo: Un modelo generativo autorregresivo (arDCA) se entrena sobre estos triples para aprender la distribución de probabilidad condicional $P(S_{mid} | S_{start}, S_{end})$. El modelo está condicionado por ambos extremos para predecir el intermediario.
4. Estrategias de Reconstrucción: Se evalúan tres enfoques distintos:
   • Trayectoria Directa: Una línea base ingenua que asume una probabilidad igual para los aminoácidos variantes en los sitios polimórficos, ignorando la epistasia.
   • Máxima Verosimilitud Codiciosa (Greedy Maximum Likelihood, ML): Decodificación determinista donde se selecciona el aminoácido más probable en cada sitio secuencialmente.
   • Muestreo Generativo: Muestreo estocástico de la distribución condicional aprendida $P(S_{mid} | S_{start}, S_{end})$.

Contribuciones Clave y Resultados

• Precisión de la Reconstrucción frente a la Fidelidad Estadística: El estudio encuentra que la "mejor" predicción puntual (Máxima Verosimilitud) no es necesariamente la reconstrucción evolutiva más fiel. Aunque la ML codiciosa minimiza el error de reconstrucción residuo por residuo, produce secuencias atípicas con energías estadísticamente bajas que no reflejan el conjunto de historias plausibles. En contraste, el muestreo condicional captura mejor las características estadísticas globales de la trayectoria, reproduciendo las distribuciones de divergencia de secuencias y energía estadística observadas en la verdad fundamental, incluso si sacrifica una cantidad marginal de precisión a nivel de residuo.
• La Topología del Paisaje como un Horizonte de Información: La predictibilidad de los intermediarios está fundamentalmente limitada por la topología del paisaje de aptitud, cuantificada por la Entropía Dependiente del Contexto (CDE).
  • Cuencas Constreñidas (CDE Bajo): Las regiones de baja energía estadística (alta aptitud) están mutacionalmente constreñidas. Los extremos en estas regiones retienen información fuerte sobre la trayectoria, permitiendo una reconstrucción fiable incluso en escalas de tiempo largas.
  • Mesetas Permisivas (CDE Alto): Las regiones de alta energía permiten muchas rutas mutacionales alternativas. Cuando una trayectoria pasa a través de una región de alto CDE (una "barrera"), la memoria de la trayectoria específica se borra. Si un extremo se encuentra en una meseta de alto CDE, este porta significativamente menos información sobre el intermediario que un extremo de bajo CDE.
  • Cruce de Barreras: Incluso cuando ambos extremos están en cuencas constreñidas, si la trayectoria cruza una barrera de alto CDE en el punto medio, la reconstructibilidad de ese punto medio disminuye sustancialmente. Esta pérdida de información es intrínseca a la dinámica estocástica de cruzar regiones permisivas, no simplemente un resultado de la divergencia de los extremos.
• Inferencia del Tiempo Evolutivo a partir de Datos de Secuencia: El artículo demuestra que la simple divergencia de secuencias (distancia de Hamming) es un sustituto insuficiente para el tiempo evolutivo en paisajes epistáticos heterogéneos. Las trayectorias que parten de regiones de alto CDE divergen más rápido que aquellas de regiones de bajo CDE, lo que significa que una misma divergencia puede corresponder a escalas de tiempo muy distintas.
  • Los autores proponen inferir la escala de tiempo evolutiva latente $\tau$ integrando la distancia de Hamming con las estimaciones de mutabilidad (CDE) de las secuencias de los extremos.
  • El uso de regresión logística multinomial para predecir $\tau$ a partir de la divergencia y el CDE permite el uso de modelos generativos parametrizados por el tiempo para aplicaciones del mundo real donde el tiempo es desconocido. Este enfoque produce una precisión de reconstrucción significativamente mayor y propiedades estadísticas mejor calibradas en comparación con los modelos entrenados directamente en intervalos de divergencia.

Significancia y Afirmaciones
El artículo redefine la reconstrucción de intermediarios como un problema probabilístico calibrado en lugar de una búsqueda de una única secuencia "verdadera". Los autores afirman que:

1. Los modelos basados en datos deben priorizar la identificación de cuándo los extremos contienen suficiente información evolutiva para reconstruir una trayectoria, en lugar de forzar una predicción determinista.
2. El producto apropiado para tales modelos es un conjunto realista de intermediarios plausibles que reflejen la estocasticidad intrínseca de la evolución, en lugar de una única secuencia de máxima verosimilitud.
3. Las características topológicas del paisaje de secuencias (específicamente la mutabilidad/CDE) son esenciales para cerrar la brecha entre las simulaciones artificiales y las aplicaciones de casos reales, permitiendo la estimación de tasas evolutivas y la ubicación precisa de los intermediarios sin datos temporales explícitos.

El trabajo establece que, si bien la reconstrucción de intermediarios es factible dentro de regímenes constreñidos, esta encuentra un límite fundamental cuando las trayectorias atraviesan regiones permisivas de alta entropía, donde la memoria específica de la trayectoria se pierde irremediablemente.