Enhancing Protein-Protein Interaction Prediction with Hierarchical Motif-based Multimodal Protein Embedding

Résumé Technique : Amélioration de la prédiction des interactions protéine-protéine par un encodage protéique multimodal basé sur des motifs hiérarchiques

Énoncé du problème

Les interactions protéine-protéine (IPP) sont fondamentales pour les processus biologiques tels que la transduction du signal, les réponses immunitaires et le métabolisme. Une prédiction précise des IPP est cruciale pour la découverte de médicaments, la compréhension des mécanismes pathologiques et la biologie synthétique. Cependant, les approches de prédiction existantes souffrent de deux limitations principales :

1. Négligence de l'organisation hiérarchique : La plupart des méthodes encodent les protéines de manière « plate », en utilisant typiquement une simple moyenne des représentations de résidus. Cela néglige la structure hiérarchique intrinsèque des protéines, spécifiquement les motifs fonctionnels à l'échelle méso qui régulent de manière critique les IPP. Ces motifs représentent des dépendances fines qui déterminent la façon dont les protéines se reconnaissent et se lient entre elles.
2. Intégration multimodale inefficace : Bien que les protéines possèdent des informations complémentaires à travers les modalités de séquence, de structure et de fonction, les méthodes existantes reposent souvent sur une simple concaténation ou une fusion globale grossière. Cela échoue à capturer le potentiel synergique de ces modalités et ignore les comportements fonctionnels distincts des motifs dictés par leur positionnement contextuel.

Méthodologie : MMM-PPI

Les auteurs proposent MMM-PPI (Hierarchical Motif-based MultiModal protein Encoder for PPI Prediction), un cadre qui construit des plongements (embeddings) d'IPP de manière ascendante et multimodale à travers trois échelles. Le pipeline se compose des étapes suivantes :

1. Échelle micro : Encodage des résidus

Le processus commence par l'encodage des caractéristiques de résidus à l'échelle micro à partir de trois modalités :

• Séquence : En utilisant le modèle pré-entraîné ESM2-3b.
• Structure : En utilisant le modèle pré-entraîné MAPE-PPI, qui utilise les coordonnées 3D des résidus issues d'AlphaFold2.
• Fonction : En utilisant le modèle pré-entraîné OntoProtein.
  Pour chaque modalité, un réseau de neurones sur graphes hétérogènes (HGNN) est appliqué à un graphe protéique partagé (construit avec des arêtes séquentielles, de rayon et de K-plus proches voisins) pour générer des plongements de résidus spécifiques à chaque modalité. Ceux-ci sont concaténés pour former un plongement de résidu multimodal.

2. Échelle méso : Construction de motifs

Le cadre identifie des motifs fonctionnels au sein des séquences protéiques à l'aide de l'algorithme FIMO (issu de la suite MEME).

• Les plongements de motifs sont générés en agrégeant les plongements de résidus multimodaux des résidus constituant chaque motif.
• Crucialement, parce que les plongements de résidus sont dérivés d'HGNN sensibles à la structure, les plongements de motifs résultants sont informés spatialement, capturant le contexte géométrique local sans nécessiter de ré-encodage géométrique 3D explicite lors de l'agrégation.

3. Échelle macro : Encodage de la protéine

Pour intégrer les motifs dans une représentation protéique globale, MMM-PPI introduit un mécanisme de co-attention sensible au contexte :

• Contrairement à l'attention standard qui aligne chaque élément de manière paire, cette méthode utilise un vecteur d'interaction de base (dérivé des plongements naïfs d'une paire de protéines) comme une condition globale.
• Ce vecteur ajuste les poids des motifs d'une protéine en fonction du contexte de son partenaire d'interaction.
• Cela génère des vecteurs de caractéristiques spécifiques au partenaire qui capturent les dépendances bidirectionnelles, modélisant comment les motifs contribuent à l'interaction globale plutôt que de simplement s'aligner sur des motifs partenaires spécifiques.

4. Stratégie d'apprentissage du modèle

L'entraînement suit un paradigme en deux étapes pour garantir l'efficacité et l'extensibilité :

1. Pré-entraînement : L'encodeur hiérarchique (encodeurs de motifs et de protéines) est pré-entraîné sur des paires d'IPP connues pour apprendre des plongements robustes.
2. Entraînement GNN : L'encodeur pré-entraîné est gelé. Les plongements de protéines résultants servent de caractéristiques initiales de nœud pour un réseau d'isomorphisme de graphe (GIN) sur le graphe d'IPP, qui est ensuite entraîné pour prédire les étiquettes d'interaction. Cela évée le coût computationnel élevé d'un re-calcul de bout en bout des plongements à chaque étape du GNN.

Principales contributions

L'article présente trois contributions majeures :

1. Nouvel encodeur de motifs multimodal : Un mécanisme qui transforme les encodages de résidus à modalité unique en plongements de motifs multimodaux informés spatialement, comblant le fossé entre les résidus à l'échelle micro et les unités fonctionnelles à l'échelle méso.
2. Encodeur de protéine sensible au contexte : Un nouvel encodeur utilisant la co-attention de motifs pour fusionner les plongements de motifs multimodaux, capturant conjointement l'importance des motifs et les corrélations inter-modalités.
3. Performance de l'état de l'art : Des expériences approfondies démontrent que MMM-PPI surpasse les modèles existants, particulièrement dans des scénarios difficiles impliquant des partitions de données complexes (splits BFS/DFS) et des données limitées.

Résultats expérimentaux

Le modèle a été évalué sur trois ensembles de données : STRING (grande échelle), SHS27k et SHS148k (sous-ensembles exigeants avec une faible identité de séquence).

• Performance : MMM-PPI a obtenu les scores Micro-F1 les plus élevés sur tous les ensembles de données et stratégies de partitionnement (Random, BFS, DFS) dans les contextes transductifs et inductifs. Il a nettement surpassé les bases solides, y compris les modèles multimodaux comme MASSA, qui reposent sur une fusion grossière.
• Généralisation : Le modèle a démontré une généralisation robuste aux protéines non vues (contexte inductif) et aux interactions non vues. Les études d'ablation sur les protéines « non vues » ont montré que MMM-PPI pouvait généraliser efficacement car les protéines non vues partagent souvent des motifs à l'échelle méso avec les protéines vues, fournissant ainsi un biais inductif fort.
• Efficacité des données : Le modèle a maintenu une performance supérieure même lorsque les étiquettes d'entraînement étaient rares (par exemple, 5 % des données disponibles), grâce au fait que la représentation basée sur les motifs agit comme un pont pour la prédiction.
• Robustesse : La méthode a montré une résilience aux erreurs de détection de motifs (omission et bruit simulés), les chutes de performance étant minimales par rapport aux modèles de référence.
• Interprétabilité biologique : L'analyse quantitative a révélé que les motifs à haute attention identifiés par MMM-PPI présentaient un « taux de succès » (hit rate) significativement plus élevé (41,89 %) avec les régions fonctionnelles annotées par UniProt (ex: sites actifs) par rapport aux bases aléatoires (21,58 %), confirmant que le modèle apprend des caractéristiques biologiquement significatives.

Signification et affirmations

L'article affirme que MMM-PPI répond aux limitations fondamentales des paradigmes de modélisation « plats » en incorporant explicitement la nature hiérarchique des protéines. En passant des résidus aux motifs, puis enfin aux protéines, et en intégrant les modalités de séquence, de structure et de fonction de manière fine, le modèle capture les effets synergiques de multiples modalités et les dépendances structurelles spécifiques régissant les interactions.

Les auteurs soutiennent que cette approche offre une alternative rentable et à haut débit au criblage expérimental pour la découverte de médicaments et la biologie synthétique. De plus, la capacité du modèle à identifier des motifs à haute attention offre une interprétabilité, aidant les chercheurs à comprendre les mécanismes moléculaires pilotant les interactions et à identifier de nouvelles cibles thérapeutiques. Ce travail est présenté comme une avancée dans l'application de l'apprentissage automatique à la biologie computationnelle en exploitant efficacement l'organisation multi-échelle intrinsèque des données biologiques.