Résumé technique : TCR-SRIM (Structure-Regularized Interpretable TCR-Epitope Prediction)

Définition du problème

La prédiction de la liaison entre le récepteur des cellules T (TCR) et l'épitope est un défi critique dans l'immunité adaptative, essentiel pour le développement de vaccins et la conception d'immunothérapies. Alors que les outils de prédiction de la liaison MHC ont atteint une certaine maturité, la prédiction de la liaison TCR-pMHC reste difficile en raison de la rareté des structures résolues expérimentalement et des limites des modèles existants. Les approches actuelles se divisent en trois catégories : basées sur les séquences (regroupement non supervisé ou apprentissage profond supervisé), basées sur la structure, ou modèles hybrides. Cependant, ces modèles souffrent souvent d'une faible généralisation aux épitopes inconnus et manquent d'interprétabilité (fonctionnant comme des « boîtes noires »). De plus, l'impact de l'utilisation de structures prédites par ordinateur (par exemple, via AlphaFold3) par rapport aux structures résolues expérimentalement sur l'apprentissage et l'interprétabilité du modèle reste incertain.

Les modèles interprétables existants reposent soit sur une analyse post-hoc (qui peut être instable), soit sur des règles biologiques prédéfinies qui n'intègrent pas l'information structurelle. Il existe un besoin pour un modèle qui soit « interprétable par conception », intègre des connaissances structurelles pour guider l'apprentissage, et puisse fonctionner en utilisant uniquement des entrées de séquences lors de l'inférence.

Méthodologie : TCR-SRIM

Les auteurs proposent TCR-SRIM (Structure-Regularized Interpretable Model), un cadre qui combine les plongements (embeddings) de modèles de langage protéique (PLM) avec des prototypes de contact interprétables, régularisés par un petit ensemble de données structurelles.

1. Aperçu de l'architecture

Le modèle se compose de trois composants principaux :

• Backbone de Modèle de Langage Protéique (PLM) : Le modèle utilise des PLM pré-entraînés (ProteinBERT, ESM-1b, ESM-2) pour générer des plongements riches pour la chaîne $\alpha$ du TCR ($E_a$), la chaîne $\beta$ ($E_b$) et l'épitope peptidique ($E_e$).
• Amélioration et Fusion des Caractéristiques (FEF) : Inspiré par des travaux antérieurs (EGM), le modèle emploie des mécanismes d'attention croisée pour fusionner les caractéristiques entre les chaînes TCR et le peptide. Cela crée des représentations enrichies ($F_{e}^{a \to b}$, $F_{e}^{b \to a}$, etc.) qui capturent les interactions entre des chaînes spécifiques et le peptide.
• Couches de Prototypes de Contact : Au lieu d'une tête de classification standard, le modèle utilise des couches basées sur des prototypes pour modéliser explicitement les contacts au niveau des résidus.
  • La distance de contact entre deux plongements fusionnés ($F_u, F_v$) est modélisée via la similitude cosinus, mise à l'échelle par un paramètre de température apprenable $\tau$.
  • Les cartes de contact sont générées en appliquant un seuil défini par l'utilisateur aux scores de similitude, suivi d'une fonction sigmoïde et d'une agrégation via une pondération softmax.
  • La prédiction finale est le maximum des scores de contact entre les paires CDR3-peptide, reflétant l'observation empirique selon laquelle une chaîne TCR domine souvent la reconnaissance.

2. Régularisation Structurelle

Une innovation clé est le processus de régularisation structurelle, qui aligne les prototypes de contact appris avec les données structurelles de vérité terrain sans nécessiter de structures lors de l'inférence.

• Dérivation de la Vérité Terrain : Pour une paire de structures donnée (par exemple, CDR3 et peptide), une carte de contact est dérivée en calculant la distance minimale entre les atomes des résidus.
• Normalisation et Masquage : La carte de distance est normalisée et inversée pour créer une carte d'importance. Un masque binaire est construit sur la base d'un seuil $\epsilon$ pour identifier les résidus spatialement proximaux.
• Fonction de Perte : Le modèle est régularisé à l'aide d'une perte d'erreur quadratique moyenne masquée ($L_r$) entre le prototype de contact prédit et la vérité terrain structurelle.
• Pondération par Résolution : Pour tenir compte des variations de résolution structurelle, une perte pondérée par la résolution est appliquée, accordant un poids plus élevé aux structures de meilleure qualité (valeur de résolution plus faible).
• Procédure d'Entraînement : L'entraînement alterne entre un entraînement supervisé standard sur des données de séquences à grande échelle et des étapes de régularisation utilisant le jeu de données structurelles.

Contributions Clés

1. Cadre Interprétable par Conception : TCR-SRIM intègre l'interprétabilité directement dans son architecture via des prototypes de contact, évitant ainsi le recours à des méthodes d'explication post-hoc.
2. Apprentissage Régularisé par la Structure : Le modèle transfère avec succès les connaissances structurelles dans des modèles basés sur les séquences en utilisant un petit ensemble de structures à haute résolution, améliorant la généralisation aux épitopes inconnus.
3. Évaluation Comparative des Structures Prédites vs Réelles : L'étude fournit une évaluation systématique de la manière dont les structures générées (AlphaFold3, TCRModel2, tFold-TCR) impactent l'apprentissage du modèle par rapport aux structures résolues expérimentalement.

Résultats Expérimentaux

Performance Prédictive

• Épitopes Inconnus : Sur un ensemble de données compilé comprenant 288 épitopes inconnus, TCR-SRIM (utilisant ProteinBERT) a atteint un ROC-AUC top-100 de 0,989, surpassant les modèles de référence comme MixTCRpred (0,906) et TULIP (0,821) d'environ 9 % et 17 %, respectivement.
• Benchmark Complet : Sur un benchmark complet indépendant, TCR-SRIM a atteint une performance de pointe avec un ROC-AUC de 0,571 (backbone ProteinBERT) et un AUPRC de 0,587 (ESM2-150M), dépassant ou égalant d'autres modèles de premier plan comme PISTE et vibtcr.

Interprétabilité (Benchmark TCR-XAI)

• En utilisant la métrique du Taux de Succès de la Région de Liaison (BRHR - Binding Region Hit Rate), TCR-SRIM a démontré une capacité supérieure à identifier les vrais résidus de liaison par rapport aux méthodes post-hoc appliquées aux modèles boîtes noires.
• Plus précisément, pour les interactions peptide $\to$ CDR3b, TCR-SIM avec ProteinBERT s'est approché d'un BRHR de 1,0, surpassant nettement les bases de référence.
• La visualisation des prototypes de contact a confirmé que le modèle identifiait correctement les régions de contact critiques (par exemple, les résidus CDR3b les plus proches du peptide) et que les backbones PLM plus larges (ESM2-650M) produisaient des motifs de contact à plus haute « résolution ».

Impact des Structures Générées

Les auteurs ont évalué l'effet de l'utilisation de structures prédites pour la régularisation :

• Performance : Les modèles régularisés avec des structures prédites (AlphaFold3, TCRModel2, tFold-TCR) ont obtenu des performances compétitives mais légèrement inférieures à celles utilisant des structures réelles (par exemple, un ROC-AUC top-100 de ~0,91–0,94 contre 0,953 pour les structures réelles).
• Interprétabilité : Un écart significatif a été observé dans l'interprétabilité. Les modèles régularisés avec des structures prédites ont montré un BRHR nettement inférieur pour les interactions peptide-CDR3b (tombant en dessous de 0,40) par rapport aux structures réelles (>0,80).
• Diversité du Site de Liaison : Les structures prédites ont conduit à des cartes de contact « trop lissées » avec des décalages de localisation des sites de liaison (par exemple, se concentrant sur les résidus 13-14 au lieu de la plage réelle 8-12). De plus, les structures prédites présentaient une diversité de sites de liaison réduite (plus grande similitude entre les échantillons) par rapport aux conformations diverses trouvées dans les données expérimentales.

Signification et Revendications

L'article affirme que TCR-SRIM représente une avancée significative en démontrant que la régularisation structurelle peut efficacement guider les modèles basés sur les séquences vers des motifs de contact biologiquement significatifs, améliorant ainsi à la fois la précision prédictive et l'interprétabilité.

Crucialement, l'étude souligne une limite des modèles de prédiction de structure actuels pour l'apprentissage TCR-épitope. Bien que les structures prédites puissent servir de substituts efficaces lorsque les données expérimentales sont indisponibles, elles introduisent des artefacts (tels qu'une réduction de la diversité des sites de liaison et des schémas d'interaction inexacts) qui entravent la capacité du modèle à apprendre tout le spectre des interactions TCR-épitope. Les auteurs concluent que les modèles interprétables par conception comme TCR-SRIM sont précieux non seulement pour la prédiction, mais aussi comme outils de diagnostic pour évaluer la qualité et l'utilité des structures biologiques générées.