DuplexFM: Transferable small-RNA target representations link miRNA interactions to siRNA efficacy prediction

Resumen Técnico de DuplexFM: Las representaciones transferibles de objetivos de ARN pequeño vinculan las interacciones de miRNA con la predicción de la eficacia de siRNA

Planteamiento del Problema
Los microARNs (miRNAs) y los ARN de interferencia pequeños (siRNAs) median tanto el silenciamiento génico como el reconocimiento guía-objetivo cargado por la proteína Argonaute (AGO). Sin embargo, existe una asimetría de datos significativa: los experimentos de alto rendimiento (p. ej., eCLIP quimérico, CLASH) han generado millones de pares de interacción miRNA-objetivo etiquetados, mientras que los datos de alta calidad sobre la eficacia de los siRNA siguen siendo escasos, costosos de generar y se encuentran dispersos en estudios pequeños y heterogéneos. Esta escasez limita la generalización de los modelos de aprendizaje profundo para el diseño de siRNA. Los autores plantean la hipótesis de que, dado que los mecanismos de miRNA y siRNA se superponen —particularmente en lo que respecta al reconocimiento mediado por la secuencia semilla y los efectos fuera de objetivo—, las representaciones aprendidas a partir de los abundantes datos de miRNA podrían proporcionar una supervisión transferible para mejorar la predicción de la eficacia de los siRNA.

Metodología
Los autores presentan DuplexFM, un marco de trabajo multi-experto, basado en principios biológicos, diseñado para integrar diversas fuentes de evidencia y facilitar el aprendizaje por transferencia.

1. Arquitectura y Banco de Expertos:
   DuplexFM emplea un flujo de trabajo de dos etapas. En la etapa de origen (predicción de miRNA), utiliza cinco módulos "expertos" complementarios para capturar diferentes aspectos del direccionamiento de ARN pequeño:

   • Bio23: Codifica 23 características motivadas biológicamente que describen la abundancia canónica del sitio semilla, el contexto local de AU y los patrones de apareamiento (Watson-Crick, G:U, no canónicos).
   • IntaRNA21: Utiliza la herramienta IntaRNA para generar 21 características biofísicas relativas a la energética del dúplex, los costos de unión y la continuidad del apareamiento.
   • Plugin de Accesibilidad de ARNm: Un predictor congelado entrenado con datos de icSHAPE in vivo (GSE145805) a resolución de nucleótidos. Utiliza mRNABERT adaptado mediante LoRA para estimar la accesibilidad local del objetivo, resumiendo específicamente los perfiles en sitios de coincidencia de semilla y regiones de dúplex predichas por IntaRNA.
   • Plugin de Atención Cruzada: Modela el reconocimiento asimétrico de guía-a-objetivo utilizando codificadores mRNABERT (objetivo) y RNA-FM (guía), empleando atención cruzada de objetivo-a-guía para identificar posiciones informativas de la guía para cada nucleótido del objetivo.
   • Plugin de Atención de Matriz de Puntuación: Calcula una matriz de compatibilidad entre los tokens de la guía y el objetivo utilizando un espacio de interacción compartido, aumentado con incrustaciones de posición y contexto global.

2. Fusión Adaptativa:
   La representación de cada experto se mapea a un espacio de 32 dimensiones. Un enrutador de tipo sigmoide específico para cada muestra (mecanismo de compuerta o gating) pondera adaptativamente estos cinco espacios. A diferencia del enrutamiento softmax, las compuertas no están restringidas a sumar uno, lo que permite que múltiples fuentes de evidencia (p. ej., reglas de apareamiento y accesibilidad) contribuyan simultáneamente. Bio23 e IntaRNA21 se inicializan como expertos "núcleo" con valores de compuerta previos más altos.

3. Estrategia de Aprendizaje por Transferencia:
   Para la predicción de la eficacia de los siRNA, los cinco espacios de expertos entrenados (un total de 160 dimensiones) se congelan. El enrutador y el clasificador específicos de miRNA se descartan. Se entrena una cabeza residual ligera, anclada en TD24, utilizando solo 6,387 parámetros entrenables. Esta cabeza aprende a corregir las predicciones basadas en descriptores estándar de siRNA (TD24) mediante la incorporación de la representación de interacción derivada de miRNA ($z$) congelada. El objetivo de entrenamiento minimiza el error cuadrático medio (MSE) sobre valores de eficacia continuos con un término de regularización sobre la magnitud de la corrección derivada de la fuente.

Contribuciones Clave

• Marco Unificado: Desarrollo de una arquitectura multi-experto que integra modelos fundacionales de ARN (RNA-FM, mRNABERT) con principios mecánicos (reglas de apareamiento, energética) y datos de accesibilidad supervisados experimentalmente.
• Accesibilidad Supervisada Experimentalmente: Creación de un experto de accesibilidad de ARNm entrenado con datos de icSHAVE a resolución de nucleótidos, que alinea las predicciones de accesibilidad con sitios candidatos específicos de semilla y energía, en lugar de utilizar promedios de fragmentos amplios.
• Transferibilidad Demostrada: Establecimiento de que las representaciones de interacción aprendidas de los datos extensos de interacción miRNA–mRNA son transferibles a la tarea de baja densidad de datos de la eficacia de siRNA. La representación congelada mejora consistentemente el rendimiento sobre la línea base de solo descriptores (TD24) en múltiples configuraciones de evaluación.
• Eficiencia de Parámetros: Demostración de que una representación congelada puede adaptarse a una nueva tarea utilizando un número mínimo de parámetros entrenables (aproximadamente el 0.44% de un modelo comparable específico de la tarea como OligoFormer).

Resultados

• Evaluación de Referencia de miRNA (miRBench v7): En el benchmark actualizado miRBench v7, el ensamblaje de votación suave de tres semillas de DuplexFM logró un APS (Puntuación de Precisión Promedio) macro de 0.876, superando a la línea base pública más fuerte (miRBenchCNN-Manakov, 0.868) en todas las cuatro particiones de prueba.
• Predicción de Accesibilidad: El modelo de accesibilidad mRNABERT adaptado con LoRA logró una correlación de Pearson a nivel de nucleótido en el conjunto de prueba de 0.627 contra los valores experimentales de icSHAPE.
• Rendimiento de Transferencia de siRNA: En seis configuraciones de evaluación (incluyendo Huesken, Mixset, Takayuki y conjuntos de datos externos), el ensamblaje de transferencia de DuplexFM alcanzó la correlación de Pearson macro más alta (0.577), la correlación de Spearman (0.597), el AUPRC (0.799) y el F1 (0.738) entre los enfoques evaluados.
  • El enfoque de transferencia superó consistentemente a la línea base de solo TD24 en las seis configuraciones.
  • Aunque OligoFormer (un modelo de aprendizaje profundo específico de la tarea) se mantuvo más fuerte en los conjuntos de datos Huesken y Takayuki, la transferencia de DuplexFM logró correlaciones superiores en Mixset, la transferencia entre conjuntos de datos (Huesken→Mixset) y los conjuntos de datos de validación externa.
  • La representación congelada proporcionó las ganancias más significativas en regímenes de bajos datos (5–10% de datos de entrenamiento), lo que sugiere su utilidad cuando los datos de eficacia de siRNA son limitados.

Significancia y Reivindicaciones
El artículo sostiene que la accesibilidad fundamentada experimentalmente y las representaciones de interacción derivadas de miRNA proporcionan información complementaria y transferible para la predicción de la eficacia de los siRNA. La contribución central no es necesariamente la superioridad universal de DuplexFM sobre todos los modelos específicos de la tarea, sino la demostración de una ruta eficiente en parámetros hacia un modelado unificado. Al congelar una representación aprendida de los abundantes datos de miRNA y acoplarla con una cabeza residual ligera, los autores demuestran que es posible aumentar los limitados datos de eficacia de siRNA sin reentrenar todo el modelo de origen. Esto respalda la hipótesis de que el direccionamiento de miRNA y siRNA comparten patrones de interacción aprendibles, ofreciendo una estrategia eficiente en términos de datos para aprovechar los recursos a gran escala de miRNA para mejorar el modelado de la regulación por ARN pequeño.