DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics

Résumé Technique : DeepRHP

Problématique
Les hétéropolymères aléatoires (RHP) synthétiques offrent une voie pour concevoir des matériaux de type protéique capables de stabiliser des protéines dans des environnements non natifs et de faciliter des fonctions telles que le transport de protons. Cependant, la conception de RHP possédant des fonctions spécifiques souhaitées est difficile car les chaînes de RHP synthétiques manquent de séquences et de conformations déterministes. Contrairement à la conception de protéines traditionnelles, qui repose sur le séquençage à haut débit et les structures 3D pour des méthodes telles que l'évolution dirigée ou la conception de novo, la conception de RHP manque actuellement de principes rationnels. Les approches existantes sont largement empiriques, reposant sur des criblages en laboratoire chronophages de diverses compositions de monomères et longueurs de chaîne. De plus, il existe une rareté de la littérature computationnelle traitant de la manière de modéliser les RHP comme un ensemble plutôt que comme des chaînes individuelles, laissant des questions de conception critiques sans réponse : spécifiquement, combien de monomères sont nécessaires dans l'« alphabet » d'un système, et comment identifier les compositions de monomères correspondant à des fonctions protéiques spécifiques.

Méthodologie : DeepRHP
Pour combler ces lacunes, les auteurs proposent DeepRHP, un auto-encodeur variationnel (VAE) modifié, entraîné sous un cadre semi-supervisé. Le modèle est conçu pour apprendre des représentations latentes de faible dimension des séquences de RHP qui capturent à la fois les motifs de séquence et les caractéristiques chimiques critiques.

• Architecture Hybride : Contrairement aux VAE standards qui concatènent les caractéristiques en un seul vecteur, DeepRHP emploie une architecture hybride composée d'un VAE classique et d'un VAE supplémentaire piloté par les caractéristiques opérant en parallèle. Les deux partagent une variable latente $z$ commune.
• Apprentissage Semi-Supervisé : Le modèle utilise les données de séquence $x$ et les caractéristiques chimiques liées à la fonction $y$ (spécifiquement, la balance hydrophile-lipophile (HLB) moyenne de fenêtres glissantes). Puisque $y$ est une transformation déterministe de $x$, l'encodeur repose uniquement sur $x$, tandis que le décodeur est équipé pour reconstruire à la fois la séquence et la caractéristique.
• Fonction Objective : L'objectif d'entraînement maximise la vraisemblance de la séquence en optimisant une borne inférieure de l'évidence (ELBO) modifiée. Cette borne inclut une somme pondérée des pertes de reconstruction pour la séquence ($x$) et la caractéristique chimique ($y$), ainsi que le terme de divergence de Kullback-Leibler (KL) :
  $$\log p(x) \geq \alpha E_q [\log p(x | z)] + (1 - \alpha) E_q [\log p(y | z)] - D_{KL} (q(z | x) \parallel p(z))$$
  Ici, $\alpha$ est un hyperparamètre équilibrant le poids entre la structure de la séquence et la fidélité de la caractéristique chimique.
• Implémentation : L'encodeur et le décodeur sont implémentés sous forme de perceptrons multicouches (MLP) utilisant PyTorch. Le modèle est entraîné avec l'optimiseur ADAM.

Contributions Clés

1. Première Application du Deep Learning pour la Conception de RHP : Ce travail est le premier à utiliser le deep learning pour répondre aux questions fondamentales de la conception de RHP, en apprenant des représentations latentes interprétables pour les ensembles de RHP.
2. Aperçu des Paramètres de Conception : Le modèle fournit des informations basées sur les données concernant deux paramètres critiques : la taille de l'alphabet des monomères et la composition des monomères.
3. Flexibilité et Interprétabilité : L'architecture hybride permet l'incorporation de n'importe quelle caractéristique chimique pertinente, rendant la méthode polyvalente pour diverses fonctions protéiques. De plus, en liant directement les variables latentes aux caractéristiques chimiques, le modèle offre une interprétabilité qui fait souvent défaut aux VAE classiques, où les directions principales sont physiquement obscures.

Résultats
Les auteurs ont validé DeepRHP en utilisant un système de quatre monomères à base de méthacrylate (MMA, EHMA, OEGMA, SPMA) et 30 000 séquences de protéines membranaires et globulaires issues d'UniProt.

• Validation de la Composition des Monomères : Le modèle a validé avec succès la découverte empirique qu'un ratio de monomères hydrophile à 30 % et hydrophobe à 70 % est optimal pour stabiliser les protéines membranaires comme l'Aquaporine Z (AqpZ). L'analyse en composantes principales (PCA) de l'espace latent a montré que les compositions de RHP avec ce ratio (spécifiquement RHP B et C dans un système à deux monomères) se chevauchaient de manière significative avec les protéines membranaires et globulaires naturelles.
• Analyse de la Taille de l'Alphabet : L'étude a démontré qu'un alphabet à deux monomères crée un espace de séquence trop large par rapport à des protéines spécifiques. En revanche, l'extension à un système à quatre monomères (en faisant varier le ratio MMA:EHMA tout en maintenant l'équilibre hydrophile/hydrophobe de 30:70) a abouti à un espace de séquence plus localisé. Les projections latentes d'AqpZ dans l'espace à quatre monomères couvraient presque entièrement les espaces de RHP 4 et RHP 5.
• Concordance Expérimentale : Le modèle a prédit que les compositions RHP 4 et RHP 5 seraient optimales. Cette prédiction est en accord avec les expériences de laboratoire publiées (Panganiban et al. 2018), qui ont identifié un RHP ayant le même ratio de monomères que RHP 4 comme étant le plus efficace pour stabiliser l'AqpZ.
• Ablation : Dans les études d'ablation, le modèle hybride DeepRHP a surpassé un VAE classique singulier sans le régresseur de décodage supplémentaire.

Signification et Revendications
L'article affirme que DeepRHP démontre le potentiel d'utiliser des architectures d'auto-encodeurs hybrides pour guider la conception de RHP pour les protéines et d'autres composés biologiques. En comblant le fossé entre le criblage empirique et la conception rationnelle, l'outil offre une plateforme pour l'analyse de similitude entre les protéines cibles et les séquences de RHP. Les auteurs positionnent ce travail comme une « première étape » de l'intégration du deep learning dans la chimio-informatique macromoléculaire. Ils maintiennent un ton modeste concernant les travaux futurs, notant que les évaluations actuelles sont qualitatives et validées par rapport aux résultats de laboratoire. Ils proposent que les efforts futurs se concentrent sur le développement de mesures quantitatives pour évaluer la qualité des représentations latentes et sur la réalisation de tâches en aval, telles que la classification de protéines membranaires spécifiques.