Reconstructability of evolutionary intermediates in generative epistatic landscapes

Résumé Technique : Reconstructibilité des Intermédiaires Évolutifs dans les Paysages Épistatiques Génératifs

Énoncé du Problème
Bien que les modèles génératifs aient réussi à apprendre les contraintes statistiques des familles de protéines pour concevoir de nouvelles séquences fonctionnelles, le problème de la reconstruction des trajectoires évolutives spécifiques reliant deux séquences sauvages distinctes demeure un défi majeur. Les intermédiaires évolutifs relient les protéines observées, mais la séquence des étapes mutationnelles produisant ces intermédiaires est rarement récupérable à partir des seules données existantes. Les difficultés principales résident dans l'absence de trajectoires évolutives de vérité terrain dans la nature, les hypothèses irréalistes de nombreux modèles de simulation (par exemple, l'omission de l'épistasie), et la stochasticité intrinsèque de l'évolution, qui rend la reconstruction déterministe de séquences profondément divergentes impossible. Ce document aborde la question suivante : que peut-on et que ne peut-on pas inférer sur les intermédiaires évolutifs à partir de leurs points terminaux ?

Méthodologie
Les auteurs utilisent un cadre in silico contrôlé pour évaluer les stratégies de reconstruction basées sur les données par rapport aux trajectoires simulées de vérité terrain. Le flux de travail se compose de quatre étapes principales :

1. Inférence du Paysage : Un modèle probabiliste génératif, spécifiquement une analyse de couplage direct par machine de Boltzmann (bmDCA), est entraîné sur des alignements de séquences multiples (MSA) naturels de familles de protéines (principalement des chori-smutases, avec des résultats complémentaires pour la $\beta$-lactamase et les domaines RR). Ce modèle définit un paysage d'énergie statistique $H(S)$ agissant comme un substitut du paysage de fitness épistatique.
2. Évolution Simulée : Des trajectoires évolutives sont simulées au sein de ce paysage inféré en utilisant un processus stochastique de Monte Carlo par chaîne de Markov (MCMC). Les mutations sont modélisées au niveau nucléotidique pour tenir compte de la dégénérescence du code génétique, incluant les insertions et les délétions. Cela génère un ensemble de données de vérité terrain composé de triplets de séquences : une séquence de départ ($S_{start}$), un point médian temporel ($S_{mid}$), et un point final ($S_{end}$), couvrant des échelles de temps évolutifs $\tau$ allant de $10^1$ à $10^6$ étapes de Monte Carlo.
3. Entraînement du Modèle : Un modèle génératif autorégressif (arDCA) est entraîné sur ces triplets pour apprendre la distribution de probabilité conditionnelle $P(S_{mid} | S_{start}, S_{end})$. Le modèle est conditionné par les deux points terminaux pour prédire l'intermédiaire.
4. Stratégies de Reconstruction : Trois approches distinctes sont évaluées :
   • Chemin Direct : Une ligne de base naïve supposant une probabilité égale pour les acides aminés variants aux sites polymorphes, ignorant l'épistasie.
   • Maximum de Vraisemblance (ML) Glouton : Décodage déterministe où l'acide aminé le plus probable est sélectionné séquentiellement à chaque site.
   • Échantillonnage Génératif : Échantillonnage stochastique à partir de la distribution conditionnelle apprise $P(S_{mid} | S_{start}, S_{end})$.

Contributions Clés et Résultats

• Précision de la Reconstruction vs Fidélité Statistique : L'étude démontre que la « meilleure » prédiction ponctuelle (Maximum de Vraisemblance) n'est pas nécessairement la reconstruction évolutive la plus fidèle. Bien que le ML glouton minimise l'erreur de reconstruction résidu par résidu, il produit des séquences atypiques ayant des énergies statistiquement faibles qui ne reflètent pas l'ensemble des histoires plausibles. En revanche, l'échantillonnage conditionnel capture mieux les caractéristiques statistiques globales du chemin évolutif, reproduisant les distributions de divergence de séquence et d'énergie statistique observées dans la vérité terrain, même s'il sacrifie une marge de précision au niveau des résidus.
• La Topologie du Paysage comme Horizon d'Information : La prédictibilité des intermédiaires est fondamentalement limitée par la topologie du paysage de fitness, quantifiée par l'Entropie Dépendante du Contexte (CDE).
  • Bassins Contraints (Faible CDE) : Les régions de faible énergie statistique (haute fitness) sont mutationnellement contraintes. Les points terminaux dans ces régions conservent une forte information sur le chemin, permettant une reconstruction fiable même à des échelles de temps plus longues.
  • Plateaux Permissifs (CDE Élevée) : Les régions de haute énergie permettent de nombreuses routes mutationnelles alternatives. Lorsqu'une trajectoire traverse une région à CDE élevée (une « barrière »), la mémoire du chemin spécifique est effacée. Si un point terminal se situe sur un plateau à CDE élevée, il porte significativement moins d'informations sur l'intermédiaire qu'un point terminal à faible CDE.
  • Traversée de Barrière : Même lorsque les deux points terminaux se trouvent dans des bassins contraints, si la trajectoire traverse une barrière à CDE élevée au point médian, la reconstructibilité de ce point médian chute considérablement. Cette perte d'information est intrinsèque à la dynamique stochastique de traversée des régions permissives, et non simplement due à la divergence des points terminaux.
• Inférence du Temps Évolutif à partir de Données de Séquence : L'article démontre que la simple divergence de séquence (distance de Hamming) est un indicateur insuffisant de l'échelle de temps évolutive dans des paysages épistatiques hétérogènes. Les trajectoires partant de régions à CDE élevée divergent plus rapidement que celles partant de régions à faible CDE, ce qui signifie qu'une même divergence peut corresponder à des échelles de temps très différentes.
  • Les auteurs proposent d'inférer l'échelle de temps évolutive latente $\tau$ en intégrant la distance de Hamming avec les estimations de mutabilité (CDE) des séquences de points terminaux.
  • L'utilisation de la régression logistique multinomiale pour prédire $\tau$ à partir de la divergence et de la CDE permet d'utiliser des modèles génératifs paramétrés par le temps pour des applications réelles où le temps est inconnu. Cette approche offre une précision de reconstruction et des propriétés statistiques mieux calibrées par rapport aux modèles entraînés directement sur des classes de divergence.

Signification et Revendications
Cet article reformule la reconstruction d'intermédiaires comme un problème probabiliste calibré plutôt que comme une recherche d'une séquence « vraie » unique. Les auteurs affirment que :

1. Les modèles basés sur les données doivent prioriser l'identification des cas où les points terminaux contiennent suffisamment d'informations évolutives pour reconstruire un chemin, plutôt que de forcer une prédiction déterministe.
2. Le résultat approprié pour de tels modèles est un ensemble réaliste d'intermédiaires plausibles qui reflètent la stochasticité intrinsèque de l'évolution, plutôt qu'une séquence de maximum de vraisemblance unique.
3. Les caractéristiques topologiques du paysage de séquence (spécifiquement la mutabilité/CDE) sont essentielles pour combler le fossé entre les simulations artificielles et les applications réelles, permettant l'estimation des taux évolutifs et le placement précis des intermédiaires sans données temporelles explicites.

Ce travail établit que si la reconstruction d'intermédiaires est réalisable dans des régimes contraints, elle se heurte à une limite fondamentale lorsque les trajectoires traversent des régions permissives à haute entropie, où la mémoire spécifique du chemin est irréversiblement perdue.