Resumen Técnico: Razonamiento de MSA con Conciencia Evolutiva para el Submuestreo mediante Grafos de Factores

Planteamiento del Problema

Los Alineamientos de Secuencias Múltiples (MSAs) proporcionan a los modelos de lenguaje de proteínas (PLMs) un contexto evolutivo explícito, lo cual es crucial para tareas como la predicción de contactos y el análisis conformacional. Sin embargo, la profundidad de los MSAs recuperados de bases de datos genómicas suele alcanzar decenas de miles de secuencias, superando con creces los presupuestos de tokens de los PLMs basados en atención (por ejemplo, MSA Transformer, Alphaفold2), que típicamente procesan solo unos pocos cientos de secuencias. En consecuencia, el submuestreo es un paso obligatorio.

Las estrategias de submuestreo existentes se basan en heurísticas como la selección aleatoria, el filtrado basado en identidad (por ejemplo, HHfilter) o el muestreo codicioso impulsado por la diversidad (por ejemplo, divMax, divMin). Aunque son efectivas para eliminar duplicados cercanos o imponer sesgos específicos, estos métodos operan sobre relaciones de similitud local y carecen de un control explícito sobre el compromiso entre dos medidas evolutivas complementarias: la identidad de la consulta (qué tan similares son las secuencias al objetivo) y la diversidad de secuencias (la amplitud de la variación evolutiva). Esta limitación impide el equilibrio explícito de estos factores, lo que puede conducir a la retención de señales evolutivas subóptimas para tareas posteriores.

Metodología: AP-REASONER

Los autores proponen AP-REASONER, un método que redefine el submuestreo de MSA de un procedimiento de filtrado heurístico a un problema de optimización explícito resuelto mediante Propagación de Afinidad (AP) en un grafo de factores.

Formulación del Grafo de Factores

El problema se modela como una estimación de Máxima A Posteriori (MAP) en un grafo de factores donde:

• Variables: Para cada fila $i$ en el MSA, una variable discreta $s_i$ indica qué fila $k$ la representa. Una fila $k$ es un "ejemplar" (seleccionado para el subconjunto) si y solo si $s_k = k$.
• Factores Unarios ($L_i$): Miden la plausibilidad de que la fila $i$ sea representada por el ejemplar $k$. La matriz de similitud $S$ se construye utilizando una distancia de Hamming normalizada y sensible a brechas ($d_{H}^{gap}$) para cuantificar la redundancia y divergencia de las secuencias.
  • Entradas fuera de la diagonal ($S_{ik}, i \neq k$): Definidas como $-\left(\frac{d_{H}^{gap}(i, k)}{L}\right)^\alpha$. El exponente $\alpha$ actúa como un control para la diversidad global. Un $\alpha$ mayor suaviza la penalización por distancias pequeñas, fomentando la selección de ejemplares distribuidos globalmente.
  • Entradas de la diagonal ($S_{kk}$): Definidas como $p + \beta \frac{d_{H}^{gap}(k, 0)}{L}$, donde $0$ es la secuencia de consulta. El coeficiente $\beta$ actúa como un control para la identidad de la consulta. Un $\beta$ positivo incentiva la selección de ejemplares distantes de la consulta, mientras que un $\beta$ negativo sesga la selección hacia secuencias similares. La fila de la consulta se ancla con una preferencia fija grande para asegurar que siempre se retenga.
• Factores de Consistencia de Ejemplares ($f_k$): Estos imponen la restricción de que si cualquier fila selecciona a $k$ como ejemplar, $k$ también debe seleccionarse a sí misma ($s_k = k$).

Optimización y Control

El sistema realiza razonamiento por paso de mensajes (max-producto en el dominio logarítmico) para inferir el conjunto óptimo de ejemplares. Para adherirse estrictamente a un presupuesto de tokens fijo $N_B(L)$, los autores emplean un Envoltorio de Cardinalidad Fija (Fixed-Cardinality Wrapper). Esto implica una búsqueda de bisección sobre el desplazamiento de preferencia global $p$ para ajustar el número de ejemplares inferidos al presupuesto objetivo, seguido de una truncación top-$N$ o relleno basado en creencias de la diagonal.

Contribuciones Clave

1. Reformulación de la Optimización: Este trabajo es el primero en recategorizar el submuestreo de MSA como un problema de optimización explícito en lugar de un procedimiento de muestreo heurístico, elevando las medidas biológicas (diversidad e identidad de la consulta) a objetivos explícitos.
2. AP-REASONER: Introducción de un enfoque de grafo de factores basado en la Propagación de Afinidad que codifica los objetivos de submuestreo en factores y los resuelve mediante el paso de mensajes. Cuenta con dos controles interpretables ($\alpha$ y $\beta$) para modular explícitamente la diversidad de secuencias y la identidad de la consulta, respectivamente.
3. Validación Empírica: Evaluación exhaustiva que demuestra que AP-REASONER supera a los submuestreadores de referencia (aleatorio, divMin, divMax, HHfilter, K-medians) en tareas estructurales sensibles de seguimiento y permite la recuperación controlable de conformaciones proteicas alternativas.

Resultados Experimentales

Los autores evaluaron AP-REASONER en el preentrenamiento de modelos de lenguaje de proteínas, predicción de contactos de largo alcance (LRCP) y predicción de múltiples conformaciones de proteínas.

• Preentrenamiento (MLM): En tareas de modelado de lenguaje con máscara, AP-REASONER se desempeñó de manera competitiva con el submuestreo aleatorio y K-medians, superando a divMin y divMax. Sin embargo, los autores señalan que el rendimiento de MLM no siempre se correlaciona con el rendimiento estructural posterior.
• Predicción de Contactos de Largo Alcreso (LRCP): En objetivos de CASP15, los modelos entrenados con AP-REASONER alcanzaron consistentemente una mayor precisión de contacto Top-L que aquellos entrenados con muestreadores de referencia. La brecha de rendimiento se amplió en un "subconjunto informativo" de objetivos. Además, variar el control de diversidad $\alpha$ durante la inferencia mostró una mejora monotónica en el rendimiento de LRCP a medida que $\alpha$ aumentaba, confirmando la utilidad del control para promover subconjuntos diversos.
• Predicción de Conjuntos Conformacionales: En proteínas de cambio de plegado (KaiB, RfaH, MAD2), AP-REASONER demostró una eficiencia y precisión superiores en comparación con el muestreo aleatorio de fuerza bruta y AF-Cluster.
  • Recuperó con éxito estados funcionales raros (por ejemplo, el estado de cambio de plegado de KaiB) que fueron omitidos por el muestreo aleatorio.
  • Logró una precisión estructural (RMSD) comparable con significativamente menos muestras (por ejemplo, 56 muestras frente a 1008 de AF-Cluster en KaiB).
  • El control $\beta$ permitió el direccionamiento controlado del conjunto predicho entre distintos dominios conformacionales (por ejemplo, Estado Fundamental vs. Estado de Cambio de Plegado), permitiendo la recuperación dirigida de estados funcionales específicos.

Significación y Reivindicaciones

El artículo afirma que modelar el submuestreo de MSA como un problema de optimización controlable resuelto mediante el razonamiento de grafos de factores ofrece una alternativa fundamentada a la selección heurística. Al equilibrar explícitamente la identidad de la consulta y la diversidad, AP-REASONER no solo mejora el rendimiento posterior en la predicción de estructuras, sino que también proporciona un mecanismo eficiente en recursos para explorar paisajes conformacionales de proteínas. La capacidad de dirigir el muestreo mediante $\alpha$ y $\beta$ permite la recuperación predecible de estados funcionales alternativos, lo cual es crítico para comprender la dinámica de las proteínas y los mecanismos alostéricos sin el costo computacional prohibitivo del muestreo de fuerza bruta.

Los autores reconocen limitaciones, señalando que AP-REASONER es aproximadamente 2 a 3 veces más lento que los muestreadores heurísticos ligeros debido al paso de mensajes y el envoltorio de bisección. Además, los experimentos de preentrenamiento se realizaron en un conjunto de datos de escala 260K en lugar del corpus completo de 26M, lo que deja la escalabilidad del método en regímenes más grandes como una pregunta abierta para la exploración futura.