Resumen Técnico: TCR-SRIM (Estructura-Regularizada e Interpretable para la Predicción de TCR-Epítopo)

Definición del Problema

La predicción de la unión entre el receptor de células T (TCR) y el epítopo es un desafío crítico en la inmunidad adaptativa, esencial para el desarrollo de vacunas y el diseño de inmunoterapias. Mientras que las herramientas para la predicción de la unión MHC han madurado, la predicción de la unión TCR-pMHC sigue siendo difícil debido a la escasez de estructuras resueltas experimentalmente y a las limitaciones de los modelos existentes. Los enfoques actuales se dividen en tres categorías: basados en secuencias (agrupamiento no supervisado o aprendizaje profundo supervisado), basados en estructura o modelos híbridos. Sin embargo, estos modelos suelen sufrir de una baja generalización ante epítopos no vistos y carecen de interpretabilidad (actuando como "cajas negras"). Además, el impacto de utilizar estructuras predichas computacionalmente (por ejemplo, de AlphaFold3) frente a estructuras resueltas experimentalmente sobre el aprendizaje y la interpretabilidad del modelo sigue sin estar claro.

Los modelos interpretables existentes dependen de análisis post-hoc (que pueden ser inestables) o de reglas biológicas predefinidas que no incorporan información estructural. Existe la necesidad de un modelo que sea "interpretable por diseño", que integre el conocimiento estructural para guar el aprendizaje y que pueda operar utilizando únicamente entradas de secuencia durante la inferencia.

Metodología: TCR-SRIM

Los autores proponen TCR-SRIM (Modelo Interpretable con Regularización Estructural), un marco que combina embeddings de modelos de lenguaje de proteínas (PLM) con prototipos de contacto interpretables, regularizados por un pequeño conjunto de datos estructurales.

1. Descripción de la Arquitectura

El modelo consta de tres componentes primarios:

• Esqueleto del Modelo de Lenguaje de Proteínas (PLM): El modelo utiliza PLMs pre-entrenados (ProteinBERT, ESM-1b, ESM-2) para generar embeddings ricos para la cadena $\alpha$ del TCR ($E_a$), la cadena $\beta$ ($E_b$) y el péptido epítopo ($E_e$).
• Mejora y Fusión de Características (FEF): Inspirado en trabajos previos (EGM), el modelo emplea mecanismos de atención cruzada para fusionar características entre las cadenas del TCR y el péptido. Esto crea representaciones enriquecidas ($F_{e}^{a \to b}$, $F_{e}^{b \to a}$, etc.) que capturan interacciones entre cadenas específicas y el péptido.
• Capas de Prototipos de Contacto: En lugar de una cabeza de clasificación estándar, el modelo utiliza capas basadas en prototipos para modelar explícitamente los contactos a nivel de residuo.
  • La distancia de contacto entre dos embeddings fusionados ($F_u, F_v$) se modela mediante la similitud de coseno, escalada por un parámetro de temperatura aprendible $\tau$.
  • Los mapas de contacto se generan aplicando un umbral definido por el usuario a las puntuaciones de similitud, seguido de una función sigmoide y una agregación mediante ponderación softmax.
  • La predicción final es el máximo de las puntuaciones de contacto entre los pares CDR3-péptido, lo que refleja la observación empírica de que un TCR suele dominar el reconocimiento.

2. Regularización Estructural

Una innovación clave es el proceso de regularización estructural, que alinea los prototipos de contacto aprendidos con los datos estructurales reales (ground truth) sin requerir estructuras en el momento de la inferencia.

• Derivación de la Verdad Absoluta (Ground Truth): Para un par de estructuras dado (por ejemplo, CDR3 y péptido), se deriva un mapa de contacto calculando la distancia mínima átomo a átomo entre residuos.
• Normalización y Enmascaramiento: El mapa de distancias se normaliza e invierte para crear un mapa de importancia. Se construye una máscara binaria basada en un umbral $\epsilon$ para identificar residuos espacialmente próximos.
• Función de Pérdida: El modelo se regulariza utilizando una pérdida de error cuadrático medio enmascarada ($L_r$) entre el prototipo de contacto predicho y la verdad absoluta estructural.
• Ponderación por Resolución: Para dar cuenta de las variaciones en la resolución estructural, se aplica una pérdida ponderada por resolución, otorgando mayor peso a las estructuras de mayor calidad (menor valor de resolución).
• Procedimiento de Entrenamiento: El entrenamiento alterna entre el entrenamiento supervisado estándar en datos de secuencias a gran escala y los pasos de regularización utilizando el conjunto de datos estructurales.

Contribuciones Claves

1. Marco de Trabajo Interpretable por Diseño: TCR-SRIM integra la interpretabilidad directamente en su arquitectura mediante prototipos de contacto, evitando la necesidad de métodos de explicación post-hoc.
2. Aprendizaje Regularizado por Estructura: El modelo transfiere con éxito el conocimiento estructural a modelos basados en secuencias utilizando un pequeño conjunto de estructuras de alta resolución, mejorando la generalización a epítopos no vistos.
3. Evaluación Comparativa de Estructuras Predichas vs. Reales: El estudio proporciona una evaluación sistemática de cómo las estructuras generadas (de AlphaFold3, TCRModel2, tFold-TCR) impactan el aprendizaje del modelo en comparación con las estructuras resueltas experimentalmente.

Resultados Experimentales

Rendimiento Predictivo

• Epítopos No Vistos: En un conjunto de datos compilado con 288 epítopos no vistos, TCR-SIM (usando ProteinBERT) logró un ROC-AUC top-100 de 0.989, superando a las líneas base como MixTCRpred (0.906) y TULIP (0.821) por aproximadamente un 9% y un 17%, respectivamente.
• Evaluación Integral (Benchmark): En un benchmark integral independiente, TCR-SRIM alcanzó un rendimiento de vanguardia con un ROC-AUC de 0.571 (esqueleto ProteinBERT) y un AUPRC de 0.587 (ESM2-150M), superando o igualando a otros modelos líderes como PISTE y vibtcr.

Interpretabilidad (Benchmark TCR-XAI)

• Utilizando la métrica de Tasa de Éxito de la Región de Unión (BRHR), TCR-SRIM demostró una capacidad superior para identificar residuos de unión reales en comparación con los métodos post-hoc aplicados a modelos de caja negra.
• Específicamente, para las interacciones péptido $\to$ CDR3b, TCR-SRIM con ProteinBERT se acercó a un BRHR de 1.0, superando significativamente a las líneas base.
• La visualización de los prototipos de contacto confirmó que el modelo identificó correctamente las regiones de contacto críticas (por ejemplo, los residuos de CDR3b más cercanos al péptido) y que los esqueletos de PLM más grandes (ESM2-650M) produjeron patrones de contacto de mayor "resolución".

Impacto de las Estructuras Generadas

Los autores evaluaron el efecto de usar estructuras predichas para la regularización:

• Rendimiento: Los modelos regularizados con estructuras predichas (AlphaFold3, TCRModel2, tFold-TCR) lograron un rendimiento competitivo pero ligeramente inferior al de los que usan estructuras reales (por ejemplo, un ROC-AUC top-100 de ~0.91–0.94 frente a 0.953 para estructuras reales).
• Interpretabilidad: Se observó una brecha significativa en la interpretabilidad. Los modelos regularizados con estructuras predichas mostraron un BRHR sustancialmente menor para las interacciones péptido-CDR3b (cayendo por debajo de 0.40) en comparación con las estructuras reales (>0.80).
• Diversidad del Sitio de Unión: Las estructuras predichas condujeron a mapas de contacto "sobre-suavizados" con localizaciones de sitios de unión desplazadas (por ejemplo, centrándose en los residuos 13-14 en lugar del rango real 8-12). Además, las estructuras predichas exhibieron una menor diversidad en los sitios de unión (mayor similitud entre muestras) en comparación con las diversas conformaciones encontradas en los datos experimentales.

Significancia y Reivindicaciones

El artículo afirma que TCR-SRIM representa un avance significativo al demostrar que la regularización estructural puede guiar eficazmente a los modelos basados en secuencias hacia patrones de contacto biológicamente significativos, mejorando así tanto la precisión predictiva como la interpretabilidad.

Crucialmente, el estudio destaca una limitación en los modelos actuales de predicción de estructuras para el aprendizaje de TCR-epítopo. Si bien las estructuras predichas pueden servir como sustitutos efectivos cuando no hay datos experimentales disponibles, introducen artefactos (como la reducción de la diversidad de los sitios de unión y patrones de interacción inexactos) que dificultan la capacidad del modelo para aprender todo el espectro de las interacciones TCR-epítopo. Los autores concluyen que los modelos interpretables por diseño como TCR-SRIM son valiosos no solo para la predicción, sino también como herramientas de diagnóstico para evaluar la calidad y utilidad de las estructuras biológicas generadas.