PKProbDesign: RNA inverse folding including pseudoknots by optimizing thermodynamic folding probability

Resumen Técnico de PKProbDesign

Planteamiento del Problema
El plegamiento inverso de ARN implica diseñar secuencias de ARN que se plieguen en estructuras secundarias objetivo especificadas. Aunque es esencial para la ingeniería de ARN funcional y la biología sintética, esta tarea es particularmente desafiante para objetivos que contienen pseudonudos. Los modelos de plegamiento termodinámico estándar asumen estructuras anidadas, lo cual los pseudonudos violan, haciendo que la predicción exacta del plegamiento sea computacionalmente inviable para casos generales (NP-duro). Los métodos de plegamiento inverso existentes para objetivos con pseudonudos (por ejemplo, antaRNA, DesiRNA, MODENA) suelen depender de estrategias de búsqueda multiobjetivo que optimizan la concordancia con una estructura predicha o utilizan objetivos basados en el predictor de estructura. Existe una brecha significativa en la optimización directa de la probabilidad de plegamiento termodinámico de un pseudonudo objetivo dentro de un ensamble consciente de pseudonudos. Tal enfoque requiere un evaluador capaz de asignar probabilidades de plegamiento específicas al objetivo para servir como una señal de optimización directa.

Metodología
Los autores presentan PKProbDesign, un marco de trabajo de plegamiento inverso basado en muestreo diseñado específicamente para objetivos de pseudonudos de densidad-2. Esta clase de estructuras, definida por HFold y CParty, permite que las interacciones cruzadas se organicen en "bandas" de tal manera que ninguna posición de la secuencia sea abarcada por más de dos bandas.

La metodología procede a través de tres etapas principales:

1. Descomposición del Objetivo:
   Cada estructura objetivo de densidad-2 $R$ se descompone en dos componentes disjuntos y libres de pseudonudos: un andamio (scaffold, $G$) y un componente de extensión ($G'$), tal que $R = G \cup G'$. Esto se logra mediante un algoritmo voraz (greedy) que ordena los pares de bases por el aumento de su alcance (span) y asigna los pares no cruzados al andamio hasta que los pares restantes forman la extensión.

2. Formulación del Objetivo Probabilístico:
   En lugar de optimizar la concordancia con la estructura de energía libre mínima (MFE), PKProbDesign optimiza un objetivo de pseudo-probabilidad de plegamiento conjunto. Para una secuencia $S$, el puntaje se define como:
   $$\tilde{P}_{joint}(S; R, G) = P(G | S) \cdot P(G' | G, S)$$

   • $P(G | S)$: La probabilidad de plegamiento del andamio, evaluada mediante LinearPartition.
   • $P(G' | G, S)$: La probabilidad de plegamiento condicional del componente de extensión dado el andamio fijo. Esto se evalúa mediante un enfoque consistente con CParty, que computa la función de partición sobre las estructuras de extensión condicionadas al andamio, asegurando la consistencia con la hipótesis de plegamiento jerárquico.
     El objetivo de optimización es el logaritmo negativo esperado de esta pseudo-probabilidad conjunta: $J(\theta) = E_{S \sim p_\theta}[-\log \tilde{P}_{joint}(S; R, G)]$.

3. Optimización Basada en Muestreo:
   Siguiendo el enfoque de SamplingDesign, el método optimiza una distribución de probabilidad $p_\theta(S)$ sobre el espacio de secuencias válidas en lugar de una sola secuencia.

   • Representación: Las posiciones no apareadas se modelan como variables categóricas de 4 vías ({A, C, G, U}), mientras que los pares de bases se modelan como variables categóricas conjuntas de 6 vías sobre pares canónicos ({AU, UA, GC, CG, GU, UG}). Esto asegura que las secuencias muestreadas satisfagan inherentemente las restricciones de apareamiento.
   • Estimación del Gradiente: El gradiente del puntaje esperado se aproxima mediante muestreo de Monte Carlo. En cada iteración, se muestrean $K$ secuencias de la distribución actual, se puntúan y se utilizan para estimar el gradiente $\nabla_\theta J(\theta)$.
   • Actualización: Los parámetros de la distribución se actualizan utilizando el optimizador Adam. El resultado final es la secuencia con el puntaje más alto muestreada de la distribución optimizada.

Contribuciones Clave

• Optimización Directa de la Probabilidad para Pseudonudos: PKProbDesign es el primer marco que optimiza directamente un objetivo de probabilidad de plegamiento termodinámico para objetivos con pseudonudos, yendo más allá de la concordancia con la predicción de estructura.
• Evaluación de Ensamble Condicional: Introduce un mecanismo de puntuación que combina la probabilidad de plegamiento del andamio con una probabilidad condicional consistente con CParty para el componente de extensión, permitiendo el diseño basado en probabilidades dentro de la clase de densidad-2.
• Integración de la Semántica de HFold/CParty: El método aprovecha la semántica de plegamiento jerárquico de HFold y las capacidades de función de partición de CParty para evaluar secuencias en un ensamble consciente de pseudonudos.

Resultados
El método fue evaluado en un benchmark de 354 objetivos de densidad-2 de PseudoBase++ (longitud de secuencia $\le$ 100 nt).

• Rendimiento de la Probabilidad de Plegamiento: PKProbDesign logró la mayor pseudo-probabilidad de plegamiento conjunto en 221 de 354 objetivos. En comparación, DesiRNA logró la mayor probabilidad en 117 objetivos, y MODENA en 16.
• Análisis de Componentes: Mientras que DesiRNA mostró un rendimiento más fuerte en el término del andamio ($P(G|S)$), PKProbDesign demostró un rendimiento superior en el término de la extensión condicional ($P(G'|G,S)$) y en el puntaje combinado. Una prueba de Wilcoxon de rangos con signo de pares confirmó la superioridad general de PKProbDesign sobre DesiRNA ($p = 1.96 \times 10^{-2}$).
• Predicción de Estructura: Cuando se evaluó utilizando la distancia de Hamming de pares de bases normalizada bajo tres protocolos de predicción diferentes (Viterbi sobre el andamio objetivo, MFE de dos etapas, y Viterbi guiado por puntos calientes [hotspots] de HotKnot), el ranking de los métodos varió. Notablemente, MODENA funcionó fuertemente bajo el protocolo guiado por hotspots, lo que sugiere que una alta probabilidad de plegamiento no siempre garantiza la mejor concordancia de predicción de estructura bajo todos los protocolos, y viceversa.

Significancia y Reivindicaciones
El artículo afirma que PKProbDesign demuestra que el plegamiento inverso de pseudonudos puede formularse eficazmente en torno a las probabilidades de plegamiento del objetivo, en lugar de depender únicamente de la concordancia de la predicción de estructura. Al descomponer los objetivos en andamios y extensiones y utilizar la evaluación de ensamble condicional, el método proporciona un marco práctico basado en probabilidades para diseñar secuencias para objetivos de pseudonudos de densidad-2.

Los autores enfatizan que su objetivo sirve como una métrica primaria de promesa de candidato, mientras que la predicción de estructura debe tratarse como un criterio secundario y complementario. Reconocen limitaciones, incluyendo el uso de una descomposición voraz (que aproxima la probabilidad conjunta exacta) y la restricción a la clase de densidad-2, señalando que podrían ser necesarias clases estructurales más amplias para RNAs más complejos. El trabajo sugiere que separar la evaluación de la probabilidad de plegamiento del comportamiento de la predicción de estructura ofrece un marco más claro para estudios futuros en el plegamiento inverso de pseudonudos.