Sequence charge decoration organizes salt response regimes in intrinsically disordered proteins: an interpretable machine-learning

Resumen Técnico: La decoración de la carga de la secuencia organiza los regímenes de respuesta a la sal en proteínas intrínsecamente desordenadas

Planteamiento del problema
Las proteínas intrínsecamente desordenadas (IDP) exhiben conjuntos conformacionales que son altamente sensibles a la fuerza iónica. Si bien la dirección y la magnitud de esta respuesta varían ampliamente —desde la contracción de polielectrolitos hasta el hinchamiento de poliamfolitos—, los modelos actuales condicionados por la secuencia (por ejemplo, ALBATROSS, STARLING) predicen principalmente las propiedades del conjunto en condiciones fijas o generan conjuntos completos sin identificar explícitamente los descriptores de física de polímeros de baja dimensión que organizan el comportamiento de la respuesta a la sal. Existe la necesidad de un mapa reducido e interpretable que conecte características de secuencia específicas con la dirección y la magnitud de los cambios conformacionales inducidos por la sal a través de un amplio espacio de secuencias.

Metodología
Los autores construyeron una biblioteca sistemática de 511 secuencias para abarcar arquitecturas de composición y patrones de carga controlados, complementada con secuencias naturales del banco de datos IDRome. La biblioteca incluye:

• Variantes $\kappa$ (195 secuencias): Poliamfolitos sintéticos con carga neta cercana a cero y un parámetro de patrón de carga $\kappa$ variado sistemáticamente.
• Series NCPR (108 secuencias): Cadenas sintéticas con fracción de carga fija pero con la carga neta por residuo (NCPR) titulada para abarcar desde neutras hasta polielectrolitos fuertes.
• IDRome-estratificadas (150 secuencias): IDR humanas naturales muestreadas para cubrir las esquinas del espacio $(SCD, N)$.
• IDRome bajo FCR (58 secuencias): Secuencias naturales débilmente cargadas.

Simulaciones:
Todas las secuencias fueron simuladas utilizando el modelo de grano grueso CALVADOS-2 a través de cinco concentraciones de sal monovalente (50, 100, 150, 300 y 500 mM), lo que produjo 2,555 simulaciones de cadena única. Se extrajo el radio de giro ($R_g$) para determinar la pendiente de la respuesta a la sal, $b = dR_g/d[\text{sal}]$.

Clasificación de regímenes:
Basándose en el cambio relativo de $R_g$ y la monotonicidad de la curva de $R_g$ frente a la sal, las secuencias se clasificaron en cuatro regímenes:

1. Contracción de polielectrolitos (PE): $R_g$ decreciente de forma monótona.
2. Hinchamiento de poliamfolitos (PA): $R_g$ creciente de forma monótona.
3. No monotónico: Curvas que revierten su dirección dentro del rango de sal.
4. Insensible a la sal: Cambio mínimo ($|\Delta_{rel}| < 0.03$).

Enfoque de Aprendizaje Automático (Machine Learning):
El estudio utilizó ocho descriptores de secuencia motivados por la teoría (incluyendo $N$, $FCR$, $NCPR$, $\kappa$, $SCD$, hidropatía y sus interacciones) para predecir la pendiente de la respuesta a la sal y clasificar los regímenes. Los modelos incluyeron:

• Regresión Ridge: Una línea base lineal.
• Árboles de Gradiente Potenciado (XGBoost): Para capturar no linealidades.
• Análisis SHAP: Para interpretar la importancia de las características y las dependencias no lineales.
  La validación se realizó mediante validación cruzada aleatoria de 5 pliegues (dentante de la distribución) y validación cruzada de dejar un subconjunto fuera (LOSO) (fuera de la distribución/generalización a través de familias de secuencias).

Resultos Clave

1. Coordenada Dominante: La decoración de la carga de la secuencia ponderada por la longitud de la cadena, $SCD \times N$, es la coordenada dominante que organiza la respuesta a la sal. Esta explica aproximadamente el 40% de la atribución total de SHAP, superando a la siguiente característica más importante por más del doble.
2. Organización de Regímenes: Los cuatro regímenes se separan principalmente a lo largo del eje $SCD$.
   • Las secuencias de hinchamiento de PA ocupan la cola negativa ($SCD < -0.5$).
   • Las sec sequences de contracción de PE ocupan la cola positiva ($SCD > +1$).
   • Las secuencias no monotónicas se agrupan en el medio de baja magnitud ($|SCD| < 1$).
   • Las secuencias insensibles a la sal se distinguen no por $SCD$, sino por una baja fracción de residuos cargados ($FCR < 0.10$), extendiéndose a través de todo el eje $SCD$.
3. Desempeño Predictivo:
   • Dentro de la distribución: XGBoost logró un $R^2 = 0.97$ en la predicción de la pendiente de respuesta a la sal, superando significativamente a la regresión ridge ($R^2 = 0.83$).
   • Fuera de la distribución (LOSO): XGBoost retuvo poder predictivo ($R^2 = 0.60$), mientras que la regresión ridge falló ($R^2 = -0.13$), indicando que la respuesta a la sal contiene una estructura codificada en la secuencia que es transferible pero no lineal.
4. Dependencia No Lineal: La relación entre $SCD \times N$ y la pendiente de respuesta es sigmoidea. $SCD \times N$ establece la dirección (signo) y la magnitud (saturación) de la respuesta, un comportamiento que los modelos lineales no pueden capturar, lo que explica el desempeño superior de los modelos basados en árboles.
5. Precisión de Clasificación: La dirección de la respuesta (contracción vs. hinchamiento) se predice de forma robusta sin confusión entre las clases PE y PA. Sin embargo, distinguir las secuencias no monotónicas de las insensibles a la sal sigue siendo difícil utilizando únicamente características estáticas de la secuencia, ya que ambas presentan magnitudes de pendiente pequeñas.

Significancia y Reivindicaciones
Este artículo establece $SCD \times N$ como una coordenada organizadora compacta e interpretable para la respuesta a la sal de las IDP derivada de simulaciones CALVADOS-2. Este trabajo proporciona un complemento a nivel de características, basado en la física de polímeros, para los modelos generativos de conjuntos, identificando qué descriptores específicos gobiernan la respuesta a las condiciones cambiantes de sal en lugar de solo las dimensiones en una condición fija.

Los autores afirman que sus resultados:

• Validan y cuantifican empíricamente el papel del patrón de carga (específicamente $SCD$) en la regulación de los regímenes de respuesta a la sal a través de cientos de secuencias.
• Demuestran que el signo de la respuesta a la sal está codificado de forma robusta por las características de carga de la secuencia, mientras que la magnitud requiere un modelado no lineal.
• Destacan las limitaciones de la extrapolación lineal a través de familias de secuencias y la necesidad de interacciones de características no lineales para la generalización.
• Observan que el estudio se basa en simulaciones; las pendientes predichas son direccionales y relativas en lugar de estar calibradas cuantitativamente con experimentos, ya que CALVADOS-2 omite efectos de salado-fuera (salting-out) específicos de residuos y efectos Hofmeister. Los autores enmarcan el trabajo como un paso hacia un mapa interpretable de la respuesta electrostática, distinto pero complementario a los marcos generativos recientes de secuencia-a-conjunto.