MIDLPred: Ensemble Learning for Phenotype-Oriented Classification of Male Infertility Candidate Proteins from Primary Amino Acid Sequences

Resumen Técnico: MIDLPred – Aprendizaje de Conjunto para la Clasificación Orientada a Fenotipos de Proteínas Candidatas de la Infertilidad Masculina

Planteamiento del Problema
La infertilidad masculina es una condición multifactorial que involucra complejas interacciones genéticas, moleculares y ambientales. Si bien los avances en genética reproductiva han identificado numerosos genes y proteínas asociados con la espermatogénesis y la función testicular, vincular las proteínas candidatas con fenotipos clínicos específicos de la infertilidad sigue siendo un desafío significativo. Los métodos de diagnóstico tradicionales, que dependen principalmente del análisis de semen y los criterios de la Organización Mundial de la Salud (OMS), a menudo carecen de la sensibilidad y la visión mecanística requeridas para la medicina de precisión. Además, la naturaleza pleiotrópica de los genes relacionados con la infertilidad complica la interpretación de los fenotipos. Existe una necesidad crítica de herramientas computacionales capaces de extraer firmas moleculares biológicamente significativas directamente de las secuencias primarias de aminoácidos para asistir en la priorización de proteínas candidatas involucradas en los mecanismos de la infertilidad masculina.

Metodología
El estudio introduce MIDLPred, un marco computacional diseñado para clasificar las proteínas candidatas de la infertilidad masculina en categorías orientadas al fenotipo basándose únicamente en sus secuencias primarias de aminoácidos. La metodología sigue un enfoque estructurado de tres fases:

1. Recopilación y Preprocesamiento de Datos:

   • Fuente: Se construyó un conjunto de datos dedicado integrando información de la Base de Conocimientos de Infertilidad Masculina (MIK) y la base de datos UniProt.
   • Curación: La colección inicial de 31,774 entradas de proteínas se sometió a una limpieza rigurosa, incluyendo la eliminación de duplicados, isoformas y variantes de secuencia. Las secuencias se filtraron para retener longitudes entre 100 y 1,000 aminoácidos.
   • Conjunto de Datos Final: El conjunto de datos curado comprendió 10,678 secuencias proteicas únicas.
   • Estrategia de Clasificación: Para abordar la escasez de clases y la heterogeneidad biológica, las proteínas se agruparon en cuatro categorías fenotípicas de alto nivel: MOTILITY (defectos de motilidad espermática), MORPH (anomalías morfológicas), PHYSIO (fisiología testicular/disfunción espermatogénica) y OTHER (condiciones heterogéneas como criptorquidia o trastornos endocrinos).
   • Preprocesamiento: Las secuencias se tokenizaron a nivel de carácter (aminoácido), se convirtieron a enteros y se rellenaron (padding) hasta una longitud fija de 1,000 residuos.

2. Arquitectura del Modelo:

   • Modelo Central: Se desarrolló una Red Neuronal Convolucional 1D (1D-CNN) para capturar dependencias locales y motivos dentro de las secuencias de proteínas.
   • Estructura: La arquitectura incluye una capa de incrustación (embedding) de 128 dimensiones, tres bloques convolucionales apilados (128 filtros, tamaño de núcleo 3, activación ReLU) seguidos de MaxPooling1D, y una serie de capas densas totalmente conectadas (256, 128, 64, 64 unidades) con activación ReLU y Dropout (0.5) para prevenir el sobreajuste.
   • Salida: Una capa densa final con 4 neuronas y activación Softmax realiza la clasificación multiclase.
   • Entrenamiento: El modelo fue entrenado utilizando el optimizador Adamax y pérdida de entropía cruzada categórica dispersa (sparse categorical crossentropy).

3. Estrategia de Aprendizaje de Conjunto (Ensemble Learning):

   • Para mejorar la generalización y reducir la varianza, se implementó un conjunto de diez modelos 1D-CNN entrenados de forma independiente.
   • Agregación: Las predicciones se agregaron mediante el promedio probabilístico (sumando y promediando las probabilidades de clase predichas) para determinar la etiqueta de clase final.
   • Validación: El rendimiento se evaluó mediante validación cruzada de 5 pliegues estratificados en el conjunto de entrenamiento y un conjunto de prueba independiente del 10%. Las métricas incluyeron precisión, exactitud, exhaustividad (recall), puntuación F1, matrices de confusión y curvas ROC.

Resultados Clave

• Rendimiento: El conjunto MIDLPred logró una exactitud de clasificación global del 96% y una puntuación F1 ponderada del 96% en las cuatro categorías de fenotipos.
• Métricas Específicas por Clase: El modelo demostró una alta consistencia entre las clases:
  • MORPH: Precisión 0.98, Exhaustividad 0.99, F1 0.98.
  • MOTILITY: Precisión 0.98, Exhaustividad 0.94, F1 0.96.
  • OTHER: Precisión 0.94, Exhaustividad 0.97, F1 0.95.
  • PHYSIO: Precisión 0.94, Exhaustividad 0.93, F1 0.94.
• Eficacia del Conjunto: El enfoque de conjunto produjo una ganancia sistemática de rendimiento sobre los modelos individuales, donde el conjunto alcanzó una exactitud de 0.9757 frente al mejor modelo individual de 0.974. La baja dispersión en las métricas entre los modelos (desviación estándar < 0.005) confirmó la estabilidad de la arquitectura.
• Generalización: Las curvas de pérdida y precisión indicaron un aprendizaje efectivo sin sobreajuste significativo, ya que las métricas de entrenamiento y validación se mantuvieron estrechamente alineadas.

Significancia y Reivindicaciones
Los autores posicionan a MIDLPred no como una herramienta de diagnóstico autónoma, sino como un marco de soporte a la decisión bioinformática. Su significancia principal radica en:

1. Priorización: Asistir a clínicos, biólogos reproductivos y genetistas en la priorización de proteínas candidatas para mayor investigación experimental mediante la identificación de firmas de secuencias asociadas a fenotipos.
2. Información Molecular: Demostrar que la información biológicamente relevante respecto a los fenotipos de infertilidad está embebida en las secuencias de proteínas primarias, lo cual puede ser decodificado por aprendizaje profundo sin anotaciones estructurales explícitas.
3. Generación de Hipótesis: Proporcionar una plataforma para generar hipótesis biológicamente relevantes sobre los mecanismos moleculares de la infertilidad masculina, guiando potencialmente el descubrimiento de nuevos biomarcadores.
4. Integración: Destacar el valor de integrar la inteligencia artificial con la genética reproductiva. Los autores señalan que futuras iteraciones podrían incorporar IA explicable (XAI), modelos de lenguaje de proteínas y datos multi-ómicos para mejorar aún más la interpretabilidad biológica y la aplicabilidad clínica.

El estudio concluye que MIDLPred representa un paso significativo hacia la medicina de precisión en la reproducción masculina al ofrecer un método computacionalmente eficiente y preciso para explorar el panorama molecular de la infertilidad a través del análisis de secuencias de proteínas.