PlantBGC: Transformer for Plant BGC Discovery via Label-Free Domain Adaptation and Weak Supervision

Resumen Técnico: PlantBGC

Planteamiento del Problema
El descubrimiento de clusters de genes biosintéticos (BGC, por sus siglas en inglés) de plantas, que codifican vías de metabolitos especializados, se ve obstaculizado por la escasez de etiquetas de BGC de plantas curadas y con resolución de coordenadas. Esta falta de verdad de referencia impide el entrenamiento supervisado efectivo de modelos de aprendizaje profundo a escala genómica. Las herramientas existentes para la minería de BGC en plantas (por ejemplo, plantiSMASH, PlantClusterFinder) dependen de firmas diseñadas a mano y reglas heurísticas, que a menudo tienen dificultades para manejar el contexto de dominio de largo alcance, la generalización entre especies y el control riguro de falsos positivos bajo cambios de dominio intensos. Además, el ecosistema del descubrimiento de BGC es predominantemente centrado en microbios, lo que hace que la transferencia de modelos entrenados en datos microbianos a los complejos genomas de plantas, ricos en repeticiones, sea un desafío.

Metodología
Los autores proponen PlantBGC, un marco basado en Transformers diseñado para transferir la supervisión de BGC de genomas microbianos bien anotados a genomas de plantas, minimizando la dependencia de etiquetas específicas de plantas. El marco opera como un pipeline de tres etapas:

1. Representación de Datos: Los genomas se representan como secuencias ordenadas de tokens de dominios Pfam. Cada token se mapea a un embedding Pfam2vec de 100 dimensiones. Este enfoque captura la similitud de dominios y los patrones de coocurrencia, evitando vocabularios de un solo bit (one-hot) de alta dimensionalidad.
2. Etapa 1: Entrenamiento Supervisado Microbiano: Un Transformer de solo codificador (encoder-only) se entrena en BGC microbianos curados (de MIBiG) utilizando un objetivo de clasificación binaria a nivel de token. El modelo aprende una función de puntuación de "similitud con BGC" utilizando entropía cruzada binaria ponderada para manejar el desequilibrio de clases. La arquitectura utiliza autoatención de múltiples cabezales para integrar las interacciones contextuales de largo alcance entre dominios y genes, que las heurísticas de ventana local suelen omitir.
3. Etapa 2: Adaptación de Dominio sin Etiquetas: Para abordar el cambio de dominio entre microbios y plantas sin utilizar las escasas etiquetas de BGC de plantas, los autores emplean el Modelado de Lenguaje Enmascarado (MLM, por sus siglas en inglés). El modelo se somete a un preentrenamiento continuo en secuencias de tokens Pfam de plantas no etiquetadas. Durante esta etapa, los bloques inferiores del codificador y la cabeza de puntuación de BGC se congelan para preservar el límite de decisión microbiano, mientras que los bloques superiores del codificador y la tabla de embeddings específica de plantas se actualizan. Una cabeza de MLM auxiliar predice los tokens enmascarados, forzando al codificador a alinearse con las estadísticas de coocurrencia de Pfam específicas de las plantas.
4. Etapa 3: Supervisión Débil mediante GO/KEGG: Para reducir los falsos positivos derivados de regiones similares al metabolismo primario (que a menudo reciben puntuaciones altas de BGC debido al cambio de dominio), el modelo se refina utilizando anotaciones funcionales de Ontología Génica (GO) y KEGG como supervisión débil. Los loci marcados como "similares a primarios" basados en la evidencia de GO/KEGG se tratan como "negativos suaves" con etiquetas ponderadas por confianza. La cabeza de puntuación y los bloques superiores del codificador se ajustan (fine-tuning) utilizando una pérdida de etiqueta suave ponderada por confianza para suprimir estos falsos positivos mientras se preserva la sensibilidad hacia las señales secundarias/mixtas.
5. Agregación: Las puntuaciones a nivel de token se agrupan al nivel de CDS y se agregan en loci de BGC candidatos, compactos y sin brechas, basados en unidades consecutivas de alta puntuación.

Contribuciones Clave

• Primer Marco de ML para BGC de Plantas: PlantBGC se presenta como el primer marco de aprendizaje automático/aprendizaje profundo desarrollado específicamente para el descubrimiento de BGC en plantas, yendo más allá de los enfoques basados en reglas o firmas.
• Adaptación sin Etiquetas: El método transfiere con éxito la supervisión de microbios a plantas utilizando la adaptación de dominio sin etiquetas (MLM), superando el cuello de botella de las escasas anotaciones de plantas.
• Estrategia de Supervisión Débil: La integración de la supervisión débil derivada de GO/KEGG proporciona un mecanismo para calibrar las predicciones y reducir los falsos positivos similares al metabolismo primario sin requerir etiquetas de verdad de referencia de BGC de plantas.
• Predicción de Fronteras Compactas: A diferencia de las herramientas basadas en reglas que a menudo producen loci inflados, PlantBGC agrega las predicciones en intervalos estrictamente consecutivos y compactos, reduciendo directamente el espacio de búsqueda experimental.

Resultados

• Desempeño Microbiano (Etapa 1): En los benchmarks microbianos, PlantBGC logró un ROC-AUC a nivel de token de 0.988 (CV de 10 pliegues) y 0.979 (leave-class-out), superando a las líneas base de DeepBGC y Random Forest, particularmente en la generalización a clases de biosíntesis no vistas.
• Recuperación de Plantas (Etapa 2): En un conjunto curado de 34 loci de BGC de plantas, la adaptación sin etiquetas mejoró significativamente las tasas de recuperación. Bajo criterios estrictos de cobertura del 100%, la recuperación aumentó de 29.4% (modelo base microbiano) a 67.6% (modelo adaptado), lo que indica una mejora en la completitud de los límites.
• Reducción de Falsos Positivos (Etapa 3): La etapa de supervisión débil redujo la proporción de candidatos proxy similares a primarios en un 48.40% (usando evidencia de GO) y un 45.20% (usando evidencia de KEGG). Esta reducción fue estadísticamente significativa (Wilcoxon pareado $p = 1.53 \times 10^{-5}$) a través de las especies.
• Comparación con plantiSMASH: En regiones genómicas coincidentes, PlantBGC produjo loci sustancialmente más compactos que plantiSMASH. La relación de la longitud mediana de los loci de PlantBGC respecto a los de plantiSMASH fue de 0.278, con un 93.8% de los pares coincidentes siendo más cortos en PlantBGC. Esto sugiere que PlantBFC delinea límites más estrechos y precisos, reduciendo el número de genes que requieren validación experimental.

Significado
El artículo afirma que PlantBGC representa un paso significativo hacia la minería genómica escalable y asistida por IA en plantas. Al transferir con éxito la supervisión microbiana a las plantas sin depender de las escasas etiquetas de plantas, el marco aborda una brecha crítica en el campo. La capacidad de producir loci candidatos compactos y de alta confianza se traduce directamente en una reducción de la carga de trabajo experimental para la validación posterior. Los autores posicionan este trabajo como un paso fundacional, señalando que los esfuerzos futuros se centrarán en incorporar BGC de plantas adicionales con resolución de coordenadas, integrar evidencia ortogonal y validar experimentalmente los principales candidatos identificados por el modelo de la Etapa 3.