Résumé Technique : PRIME (Représentation des Protéines via des Hiérarchies Équivariantes Multiscales Informées par la Physique)

Énoncé du Problème

Les protéines sont intrinsèquement des systèmes physiques multiscales où les propriétés fonctionnelles émergent d'une organisation structurelle coordonnée, allant des interactions atomiques à la topologie globale du repliement. Les méthodes existantes d'apprentissage de représentations de protéines opèrent généralement à une seule résolution structurelle (par exemple, niveau de séquence, atomique ou de surface) ou traitent différentes sources structurelles comme des modalités parallèles intégrées par alignement latent ou fusion tardive. Ces approches échouent à modéliser explicitement les relations hiérarchiques entre les échelles structurelles (par exemple, comment les atomes forment des résidus, qui forment des structures secondaires, qui forment le repliement global). Par conséquent, elles traitent les résolutions spatiales distinctes comme des vues sémantiques indépendantes plutôt que comme des niveaux imbriqués au sein d'une hiérarchie physique partagée, limitant ainsi leur capacité à capturer les interactions qui émergent à travers les résolutions.

Méthodologie

Les auteurs introduisent PRIME, un cadre unifié qui modélise les protéines comme une famille imbriquée de cinq graphes structurels ancrés dans la physique. Le cadre fonctionne en deux étapes principales : la construction de graphes hiérarchiques et la propagation de messages multiscales.

1. Construction de Graphes Hiérarchiques

PRIME définit une hiérarchie $\mathcal{G} = \{G^{(0)}, G^{(1)}, G^{(2)}, G^{(3)}, G^{(4)}\}$ couvrant cinq niveaux, de la résolution fine à la résolution grossière :

• Niveau 0 (Surface) : Les nœuds sont les faces triangulaires du maillage de surface moléculaire.
• Niveau 1 (Atome) : Les nœuds sont les atomes lourds.
• Niveau 2 (Résidu) : Les nœuds sont les résidus d'acides aminés.
• Niveau 3 (Structure Secondaire) : Les nœuds sont les éléments de structure secondaire (SSE : hélices, brins, boucles).
• Niveau 4 (Protéine) : Un nœud unique représentant la protéine entière.

Connectivité et Attribution :

• Arêtes : Le niveau le plus fin ($G^{(0)}$) utilise les $k$ plus proches voisins ($k=8$) sur les centroïdes des faces. Les niveaux plus grossiers dérivent les arêtes de manière déterministe du niveau le plus fin via des matrices de partition $\Pi^{(\ell)}$, où $A^{(\ell)} = (\Pi^{(\ell)})^\top A^{(\ell-1)} \Pi^{(\ell)}$. Cela se traduit par des matrices d'adjacence pondérées reflétant le nombre de connexions à l'échelle fine entre les unités grossières, codant la proximité spatiale sans construction explicite d'arêtes basée sur les coordonnées à chaque niveau.
• Cartes d'Attribution : Les transitions entre les niveaux sont régies par des opérateurs d'attribution déterministes et informés par la physique $\pi^{(\ell)}$, dérivés de principes biochimiques (par exemple, distance euclidienne pour surface-atome, liaison covalente pour atome-résidu, algorithme DSSP pour résidu-SSE).
• Caractéristiques des Nœuds :
  • Surface : Descripteurs géométriques conçus à la main (surface, distance du centroïde) + embeddings issus d'un Réseau de Neurones à Maillage Équivariant préentraîné (EMNN).
  • Atome : Type d'élément/appartenance au squelette + embeddings issus d'un Réseau de Neurones à Graphes Équivariant préentraîné (EGNN).
  • Résidu : Identité de l'acide aminé, angles du squelette, courbure et angles de torsion.
  • SSE : Encodage one-hot du type et longueur normalisée.
  • Protéine : Représentation globale issue d'un modèle ESM-2 préentraîné.

2. Propagation de Messages Multiscales

PRIME emploie une pile de $N$ couches hiérarchiques pour propager l'information dans les deux sens. Chaque couche effectue trois opérations séquentielles :

1. Propagation de Messages Intraniveau : Affine les représentations à chaque niveau indépendamment en utilisant des convolutions de graphes avec normalisation pré-couche, connexions résiduelles et réseaux feedforward.
2. Agrégation Ascendante : Propage les détails fins vers le haut en agrégeant les représentations du niveau $\ell-1$ vers $\ell$ en utilisant $(\Pi^{(\ell)})^\top$, suivi d'une fusion par porte.
3. Raffinement Contextuel Descendant : Diffuse le contexte de niveau grossier vers le bas, du niveau $\ell$ vers $\ell-1$, en utilisant $\Pi^{(\ell)}$, suivi d'une fusion par porte symétrique.

Le mécanisme de fusion par porte intègre sélectivement le contexte $c$ dans la représentation actuelle $z$ via une porte apprenable $g = \sigma(W_g [z \| c])$. La représentation finale est lue à partir d'un niveau désigné $\ell^*$ (généralement le niveau des résidus) pour les tâches en aval. Le cadre est conçu pour être invariant SE(3) de bout en bout, car toutes les caractéristiques d'entrée et les opérations sont sans coordonnées ou utilisent des embeddings scalaires invariants issus d'encodeurs équivariants.

Contributions Clés

• Cadre Unifié : PRIME propose un cadre unique qui modélise les protéines comme une famille imbriquée de cinq graphes ancrés dans la physique, connectés par des opérateurs d'attribution déterministes, permettant une modélisation explicite de l'organisation physique hiérarchique.
• Échange d'Information Bidirectionnel : La méthode facilite le flux d'information via une agrégation ascendante (fin vers grossier) et un raffinement descendant (grossier vers fin), permettant à chaque niveau de coder à la fois ses informations spécifiques à la modalité et les signaux contextuels de toutes les autres échelles.
• Biais Inductif Informé par la Physique : Contrairement au coarsening de graphes basé sur les données, PRIME exploite des contraintes biochimiques et géométriques connues pour définir la hiérarchie, fournissant une base rationnelle pour l'apprentissage de représentations multiscales.
• Lecture Adaptative : Le cadre prend en charge des lectures par attention croisée adaptative, permettant au modèle d'identifier et de pondérer de manière autonome les résolutions structurelles les plus pertinentes pour la tâche au moment de la prédiction.

Résultats Expérimentaux

PRIME a été évalué sur quatre benchmarks de ProteinWorkshop : Classification des Repliements, Prédiction de Classes de Réactions, Prédiction de l'Ontologie des Gènes (GO) et Prédiction de Sites d'Interaction Protéine-Protéine (PPI).

• Classification des Repliements : PRIME a atteint une précision à la pointe de l'état de l'art sur tous les splits. Notamment, sur les splits Superfamille et Repliement, il a surpassé la meilleure base de référence GNN géométrique (EGNN) avec des marges de 13,80 et 18,30 points, respectivement.
• Prédiction de Classes de Réactions : PRIME a atteint une précision de 84,10 %, surpassant toutes les bases de référence, y compris ESM (83,10 %), suggérant qu'une hiérarchie structurelle explicite fournit un signal supérieur pour la prédiction de la fonction enzymatique par rapport aux modèles basés uniquement sur la séquence.
• Ontologie des Gènes : Le modèle a obtenu les meilleures performances sur les ontologies Fonction Moléculaire (MF) et Composant Cellulaire (CC), qui sont étroitement liées aux motifs structurels et aux repliements globaux. Les performances sur le Processus Biologique (BP) étaient plus faibles, probablement en raison de la dépendance de l'annotation au contexte évolutif plutôt qu'à la structure intrinsèque.
• Prédiction de Sites PPI : PRIME a obtenu des scores ROC-AUC compétitifs, démontrant son applicabilité aux tâches au niveau des nœuds, bien qu'il n'ait pas dominé le classement, indiquant un potentiel pour des choix architecturaux spécialisés afin de prédire précisément les interfaces.

Études d'Ablation :

• La suppression d'un seul niveau structurel a systématiquement dégradé les performances, confirmant que chaque niveau contribue par des informations complémentaires et non redondantes.
• La suppression du niveau de Structure Secondaire (SSE) a provoqué la baisse la plus significative (par exemple, la précision du split Repliement est passée de 59,78 % à 16,61 %), soulignant la centralité de la topologie SSE dans la discrimination des repliements.
• L'analyse de l'attention croisée adaptative a révélé que le modèle attribue de manière autonome des poids d'attention plus élevés aux niveaux SSE pour la classification des repliements et ajuste les poids en fonction de la tâche (par exemple, poids plus élevé sur les niveaux atomiques/résidus pour la Classe de Réaction), validant la nécessité d'une conception multiscale unifiée.

Signification

L'article affirme que PRIME fournit une base rationnelle pour l'apprentissage de représentations de protéines en tenant explicitement compte de l'organisation hiérarchique de la structure des protéines. En allant au-delà des représentations multimodales plates ou parallèles, PRIME capture les interactions qui émergent à travers les résolutions structurelles. Les résultats démontrent que modéliser les protéines comme une hiérarchie imbriquée de graphes ancrés dans la physique produit des représentations généralisables qui surpassent les approches unimodales et multimodales existantes, en particulier dans les tâches nécessitant la discrimination de repliements structurellement similaires ou la prédiction de fonctions enzymatiques régies par la géométrie du site actif. La capacité du cadre à identifier de manière autonome les résolutions pertinentes pour la tâche souligne davantage la valeur du maintien d'une hiérarchie multiscale complète plutôt que de s'engager dans une résolution fixe unique.