Résumé technique : Apprentissage des relations structure-fonction des protéines par décomposition guidée des représentations par la connaissance

1. Énoncé du problème

Les protéines codent des fonctions biologiques diverses au sein de structures tridimensionnelles complexes. Bien que les récents modèles d'apprentissage profond (par exemple, ESM-3, AlphaFold) aient réalisé des percées dans la prédiction de structure et la conception générative, leurs représentations internes restent hautement enchevêtrées. Ces espaces latents mélangent des signaux géométriques, physico-chimiques et topologiques, obscurcissant les principes biophysiques spécifiques sous-tendant la fonction. Par conséquent, il est difficile d'interpréter mécanistiquement ces modèles ou de les généraliser à des protéines partageant des repliements similaires mais ayant des fonctions divergentes. Les efforts existants visant à imposer une structure via des contraintes externes échouent souvent à démêler complètement ces signaux ou manquent d'une alignement explicite avec des propriétés ancrées biologiquement.

Le défi central abordé consiste à transformer les plongements structurels enchevêtrés en facteurs démêlés et alignés avec la connaissance qui préservent sélectivement les informations fonctionnellement pertinentes tout en restant interprétables et robustes aux perturbations structurelles.

2. Méthodologie : ProtDiS

Les auteurs proposent ProtDiS, un cadre de factorisation de représentations guidé par la connaissance qui décompose les plongements pré-entraînés de micro-environnements protéiques en plusieurs canaux de connaissances interprétables.

2.1. Cadre central

ProtDiS prend un plongement structurel de haute dimension $s$ (par exemple, issu d'ESM-3) et le décompose en :

1. Canaux de connaissances ($Z_1, \dots, Z_K$) : Un ensemble de représentations latentes, chacune explicitement alignée sur un attribut biophysique ou géométrique prédéfini (par exemple, structure secondaire, densité de compactage, flexibilité).
2. Canal résiduel ($Z_c$) : Un canal supplémentaire capturant les informations structurelles non expliquées par les axes de connaissances prédéfinis, assurant l'exhaustivité de l'information.

2.2. Fondement théorique

Le cadre est ancré dans le principe du goulot d'étranglement de l'information (IB). L'objectif est d'apprendre des représentations qui maximisent l'information mutuelle avec un signal de connaissance spécifique tout en minimisant l'information redondante partagée avec d'autres canaux.

• Alignement sur la connaissance : Chaque canal $Z_k$ est entraîné pour maximiser $I(Z_k; Y_k)$, où $Y_k$ est la propriété biophysique cible.
• Réduction de la redondance : Le cadre encourage le démêlage fonctionnel en minimisant l'information mutuelle entre le canal résiduel et toutes les variables de connaissances, et en pénalisant les corrélations entre différents canaux de connaissances.
• Exhaustivité : La représentation conjointe $(Z_1, \dots, Z_K, Z_c)$ doit être suffisante pour reconstruire le plongement original $s$.

2.3. Objectifs d'optimisation

L'objectif d'entraînement combine plusieurs composantes de perte :

• Perte de supervision par la connaissance : Minimise l'erreur de prédiction pour chaque variable de connaissance $Y_k$ en utilisant une tête supervisée.
• Régularisation par goulot d'étranglement : Utilise la divergence KL pour contraindre la capacité d'information de chaque canal, encourageant des représentations compactes.
• Perte de reconstruction : Garantit que le canal résiduel conserve les informations complémentaires nécessaires pour reconstruire le plongement structurel original.
• Suppression adversaire de la connaissance : Emploie une couche de inversion de gradient pour empêcher le canal résiduel $Z_c$ de prédire l'une des variables de connaissances prédéfinies $Y_k$, imposant une invariance.
• Perte de réduction de la redondance : Pénalise la corrélation croisée entre différents canaux de connaissances pour garantir qu'ils capturent des informations complémentaires et non chevauchantes.

2.4. Dimensions de connaissance

L'étude se concentre sur huit dimensions de connaissances fondamentales dérivées des structures protéiques :

1. Structure secondaire (SS)
2. Accessibilité au solvant (ASA)
3. Flexibilité (facteur B)
4. Densité de compactage (nombre de contacts pondéré)
5. Hydrophobicité (échelle de Kyte-Doolittle)
6. Stabilité (statistiques des liaisons hydrogène)
7. Complexité (entropie des contacts)
8. Courbure (courbure d'Ollivier-Ricci)

3. Résultats clés

3.1. Découplage des représentations

Les analyses au niveau des caractéristiques confirment que ProtDiS produit des canaux qui sont :

• Spécifiques : Chaque canal présente une information mutuelle élevée avec son étiquette cible et une faible information avec les autres (structure diagonale dans les cartes thermiques d'information mutuelle).
• Indépendants : Les coefficients de corrélation de distance par paires entre différents canaux de connaissances sont systématiquement faibles, indiquant un démêlage efficace.
• Complets : Les expériences de reconstruction progressive montrent que l'ajout de canaux diminue de manière monotone la perte de reconstruction, confirmant que l'ensemble des canaux préserve collectivement le contenu informationnel complet du plongement original.

3.2. Performance en aval

ProtDiS a été évalué sur douze tâches en aval (incluant la classification enzymatique, la prédiction de l'ontologie des gènes, la classification SCOP et la liaison aux ligands) selon deux schémas de division : aléatoire et basé sur la structure.

• Divisions basées sur la structure : Les améliorations les plus significatives ont été observées sous des divisions basées sur la structure (où les protéines de test présentent une faible similarité structurelle avec les données d'entraînement). Par exemple, la précision de la prédiction de la classe enzymatique (EC) a augmenté de 6,05 %, et la prédiction de l'affinité de liaison aux ligands s'est améliorée de 4,45 % par rapport au Tokeniseur structurel de base ESM-3.
• Généralisation : Le modèle a systématiquement surpassé les modèles de référence sur la plupart des tâches, démontrant que les caractéristiques démêlées et alignées sur la connaissance se généralisent mieux à des repliements structurels non vus.

3.3. Différenciation des protéines structurellement similaires

Une découverte cruciale est la capacité de ProtDiS à distinguer les protéines ayant des repliements globaux similaires mais des fonctions divergentes.

• Discrimination à haut score TM : Dans les tâches impliquant des paires enzymatiques avec une forte similarité structurelle (score TM > 0,8), les plongements guidés par la connaissance ont maintenu un pouvoir discriminant élevé (AUC 0,946), tandis que les plongements structurels standards se sont dégradés de manière significative (AUC 0,868).
• Insight mécanistique : Le cadre capture des variations biophysiques fines (par exemple, densité de compactage locale, entropie des contacts) qui sont obscurcies dans les plongements structurels globaux mais qui sont critiques pour la spécificité fonctionnelle.

4. Signification et revendications

L'article revendique que ProtDiS fournit une approche générale et interprétable pour structurer les espaces latents dans la modélisation structurelle des protéines. Sa signification réside dans :

1. Interprétabilité : En démêlant les représentations en dimensions ancrées biologiquement, le modèle offre une « lentille computationnelle » pour explorer les relations structure-fonction qui étaient auparavant cachées dans des plongements profonds enchevêtrés.
2. Robustesse : Le cadre apprend des représentations moins sensibles à la similarité de repliement superficielle et plus alignées sur des mécanismes fonctionnellement pertinents, expliquant sa performance supérieure dans des scénarios hors distribution (basés sur la structure).
3. Alignement causal : Les canaux appris approximent des variables de niveau mécanisme gouvernant la fonction des protéines, permettant l'étude des liens causaux entre les composants de connaissances structurels et la fonction.

Les auteurs positionnent ce travail comme une étape vers la biologie mécanistique, suggérant que la décomposition guidée par la connaissance peut stimuler la découverte en science des protéines en rendant les espaces latents transparents et manipulables. Ils reconnaissent les limitations actuelles, spécifiquement la dépendance aux données structurelles 3D, et proposent un travail futur étendant ces principes aux espaces de séquences et de caractéristiques évolutives.