Information-Geometric Audits of Macromolecular Ensembles: A Prescriptive Protocol for Latent Dimension Selection

Resumen Técnico: Auditorías de Geometría de la Información de Conjuntos Macromoleculares

Planteamiento del Problema
El análisis computacional de los conjuntos macromoleculares depende de la reducción de la dimensionalidad (DR, por sus siglas en inglés) para extraer representaciones latentes de baja dimensión ($z \in \mathbb{R}^d$) a partir de espacios de configuración de alta dimensión ($x \in \mathbb{R}^{3N}$). Una cuestión crítica y aún no resuelta en el campo es determinar el número físicamente necesario de dimensiones latentes ($d$). Los heurísticos de selección actuales —como la varianza explicada (PCA), las brechas espectrales (tICA) o la precisión cinética validada de forma cruzada (VAMP/GMRQ)— están calibrados frente a proxies estadísticos o fidelidades cinéticas específicas. Estos métodos no logran contabilizar el coste termodinámico de la información perdida durante la compresión. En consecuencia, pueden seleccionar dimensiones que capturan ruido térmico irrelevante o, por el contrario, descartar variables colectivas macroscópicas, lo que conduce a predicciones cualitativamente incorrectas de las tasas de plegamiento, la comunicación alostérica y los paisajes de energía libre. Existe una falta de un marco basado en principios que conecte la selección de la dimensión directamente con la termodinámica y la geometría del conjunto molecular.

Metodología: Un Protocolo Prescriptivo de Tres Etapas
Los autores proponen un marco de geometría de la información que redefine la selección de la dimensión latente como un problema físico resoluble mediante un protocolo de tres etapas. Este enfoque integra la geometría de la información y la termodinámica estocástica para evaluar los candidatos de dimensionalidad basados en el coste termodinámico global, la distorsión geométrica local y la optimización de tasa-distorsión.

• Etapa I: Cribado Termodinámico mediante la Energía Libre de Compresión
  El protocolo define la energía libre de compresión, $\Delta F_{\text{compression}}(d) = k_B T D_{KL}(P \parallel Q_d)$, donde $P$ es el verdadero conjunto de Boltzmann y $Q_d$ es la reconstrucción de $d$ dimensiones. Esta cantidad se identifica como la divergencia de Kullback–Leibler entre distribuciones, la cual, mediante el límite generalizado de Landauer, representa el trabajo termodinámico mínimo requerido para ejecutar la compresión.

  • Procedimiento: Se calcula la ganancia termodinámica marginal, $\delta F(d)$, para un aumento de $d$. Se identifica un "codo termodinámico" donde la ganancia marginal cae por debajo de un umbral de ruido (por ejemplo, una disminución de diez veces). Esto filtra las dimensiones que son demasiado pequeñas (descartando modos macroscópicos) o demasiado grandes (sobreajustando el ruido térmico), produciendo un conjunto de candidatos termodinámicamente admisibles ($D_I$).

• Etapa II: Auditoría Geométrica mediante la Curvatura de Riemann
  El escalar $\Delta F_{\text{compression}}$ es un promedio espacial y no puede revelar en qué parte del espacio latente falla la compresión. Para resolver esto, el protocolo computa la métrica de información de Fisher ($g_{ij}$) en el manifold latente y su curvatura escalar asociada ($R(z)$).

  • Procedimiento: El campo de curvatura identifica regiones donde el marco de DR se ve forzado a distorsionar geométricamente el paisaje energético real (por ejemplo, confundiendo estados de transición o aplanando barreras). Se computan dos estadísticas: la relación de curvatura máxima ($\rho$) y la fracción de cobertura de puntos calientes ($\eta$). Los candidatos son rechazados si la curvatura es demasiado aguda o extensa, lo que indica que la dimensionalidad es topológicamente insuficiente para resolver corredores de transición críticos. Esto produce un conjunto de candidatos geométricamente admisibles ($D_{II}$).

• Etapa III: Clasificación mediante Optimización de Tasa-Distorsión
  La etapa final identifica la dimensionalidad óptima $d^*$ localizando la transición de fase crítica en la curva empírica de tasa-distorsión.

  • Procedimiento: El protocolo evalúa el compromiso entre la tasa de compresión (información mutua $I(X; Z)$) y la distorsión de energía ($E[|U(x) - U(\hat{x})|^2]$). La $d^*$ óptima se define como el punto de máxima curvatura (el "codo") en esta curva, representando la transición desde el filtrado de ruido térmico descoordinado hacia el descarte activo de variables colectivas macroscópicas. Un puntaje físico compuesto clasifica a los candidatos supervivientes.

Contribuciones Clave

1. Marco Teórico: El artículo establece $\Delta F_{\text{compression}}$ como la medida de coste físico canónica para la compresión latente, vinculando rigurosamente el error de representación con el límite de Landauer sobre la erradicación irreversible de información. Además, deriva la métrica de información de Fisher y la curvatura escalar de Riemann como la descomposición diferencial local de esta penalización global.
2. Protocolo Metodológico: Introduce un protocolo de tres etapas independiente del método con estimadores explícitos para datos de simulación finitos. A diferencia de enfoques anteriores, este impone simultáneamente la fidelidad termodinámica (vía $\Delta F$) y la fidelidad geométrica/topológica (vía curvatura), en lugar de optimizar únicamente para la varianza o las tasas cinéticas.
3. Diagnósticos Comparativos: El marco proporciona una base físicamente interpretable para comparar métodos de DR (PCA, tICA, VAE) al revelar perfiles de distorsión específicos del método (por ejemplo, sesgo distribuido en PCA, priorización de escalas de tiempo en tICA y mapeo casi isométrico en VAE) que son invisibles para los criterios de selección escalares.

Resultados
El protocolo fue validado en el potencial de Müller–Brown de alta dimensión embebido, un sistema con una verdad de base conocida analíticamente como $d^* = 2$ (que representa dos vías de transición independientes) embebida en $D=50$ dimensiones con 48 coordenadas de ruido gaussiano.

• Desempeño: El protocolo recuperó inequívocamente $d^* = 2$ a través de tres regímenes de compresión distintos: lineal (PCA), motivado cinéticamente (tipo tICA) y generativo no lineal (tipo VAE).
• Comparación con Heurísticos: Los heurísticos existentes fallaron al identificar consistentemente la dimensionalidad correcta. El criterio de varianza explicada seleccionó $d = 7–9$, y el heurístico de brecha espectral falló en dos de los tres métodos.
• Perspectivas Diagnósticas:
  • La Etapa I identificó correctamente $d=1$ y $d=2$ como termodinámicamente significativos, pero no pudo rechjar $d=1$ por sí solo.
  • La Etapa II rechazó $d=1$ al detectar una severa distorsión geométrica (la confusión de dos puntos de silla en una única coordenada latente), evidenciada por altas relaciones de curvatura y fracciones de cobertura.
  • La Etapa III confirmó $d=2$ como el óptimo global, situado en la transición de fase aguda entre la captura de información macroscópica y la absorción de ruido.

Significancia y Reivindicaciones
El artículo afirma proporcionar la primera equivalencia rigurosa entre el error de representación de aprendizaje automático y la disipación física termodinámica. Al establecer un lenguaje común basado en la mecánica estadística, el marco permite auditar, comparar y mejorar las representaciones moleculares latentes basándose en principios físicos en lugar de proxies estadísticos. Los autores sostienen que este protocolo transforma la selección de la dimensión de un ejercicio de ajuste de hiperparámetros en una afirmación física falsable sobre qué grados de libertad son relevantes para el sistema biológico. El trabajo se presenta como una base necesaria para el análisis de simulaciones moleculares cada vez más complejas y modelos generativos profundos, ofreciendo un método prescriptivo para asegurar que las representaciones latentes preserven fielmente la estructura termodinámica y cinética del conjunto.