How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

Cet article présente EnzPlacer, un algorithme d'apprentissage contrastif qui prédit les trois premiers numéros EC d'une enzyme à partir de sa séquence, permettant ainsi de situer avec précision des fonctions enzymatiques inconnues dans l'espace des fonctions connues pour guider les hypothèses expérimentales.

L'essentiel

🌍 Le Contexte : Une Cuisine Remplie de Recettes Mystérieuses

Imaginez que le monde des protéines (les briques de base de la vie) est une immense bibliothèque de recettes de cuisine. Chaque recette décrit comment un "chef" (une enzyme) transforme des ingrédients en un plat.

Le problème ? Nous avons découvert des millions de nouvelles recettes grâce à la technologie, mais nous n'avons pas encore lu la plupart d'entre elles. Nous savons qu'elles existent, mais nous ne savons pas exactement quel plat elles préparent.

Les scientifiques utilisent un système de classement appelé EC (comme un code-barres à 4 chiffres, ex: 1.2.3.4) pour dire exactement ce que fait une enzyme.

• 1er chiffre : Le type de cuisine (ex: "Faire du feu" ou "Couper des choses").
• 2ème et 3ème chiffres : Le type d'ingrédient ou la méthode précise.
• 4ème chiffre : La recette exacte et unique.

Le gros problème : Souvent, nous trouvons une nouvelle enzyme qui fait quelque chose de tout à fait nouveau. Il n'existe pas encore de "4ème chiffre" pour elle dans nos livres de recettes. Les méthodes actuelles échouent souvent ici : elles disent "Je ne sais pas" ou elles se trompent complètement.

🚀 La Solution : EnzPlacer, le "GPS" des Enzymes

Les auteurs de cette étude (Xiang Ma, Parnal Joshi, Iddo Friedberg et Qi Li) ont créé un nouvel outil appelé EnzPlacer.

Au lieu d'essayer de deviner le numéro exact de la recette (le 4ème chiffre) qui n'existe pas encore, EnzPlacer se concentre sur quelque chose de plus intelligent : il place l'enzyme dans le bon quartier de la ville.

L'Analogie du Quartier (Le Classement Hiérarchique)

Imaginez que vous trouvez un nouveau type de voiture sur la route. Vous ne savez pas exactement quel modèle c'est (la marque et le modèle précis), mais vous pouvez dire :

1. C'est une voiture (pas un avion).
2. C'est une berline (pas un camion).
3. C'est une berline de luxe (pas une berline de course).

Même si vous ne connaissez pas le modèle exact, savoir que c'est une "berline de luxe" vous donne déjà une très bonne idée de ce qu'elle fait et de comment elle fonctionne.

EnzPlacer fait exactement cela pour les enzymes. Il utilise une technique appelée Apprentissage Contrastif (Contrastive Learning).

🧠 Comment ça marche ? (L'École des Voisins)

Imaginez une grande école où chaque élève est une enzyme.

• L'ancienne méthode : L'école demandait aux élèves de s'asseoir exactement à la même table que ceux qui avaient le même numéro de classe exact. Si un élève arrivait avec un numéro inconnu, il restait seul au milieu de la cour.
• La méthode EnzPlacer (HiNCE) : L'école a une nouvelle règle. Elle dit : "Peu importe votre numéro de classe exact, si vous faites partie de la même famille (même quartier), asseyez-vous dans le même couloir !"

EnzPlacer utilise un système d'entraînement très intelligent :

1. Il prend des enzymes connues et apprend à les regrouper par "quartiers" (les niveaux 1, 2 et 3 du code).
2. Il apprend à rapprocher ceux qui se ressemblent un peu, même s'ils ne sont pas identiques.
3. Il crée une carte mentale (un espace mathématique) où les enzymes qui font des choses similaires sont proches, même si leur recette exacte est différente.

🏆 Les Résultats : Qui gagne la course ?

Les chercheurs ont testé EnzPlacer contre d'autres méthodes (comme BLAST, qui est un vieux détective très rapide mais qui ne regarde que les ressemblances de surface, et d'autres IA).

Le scénario du test : Ils ont caché les recettes exactes (le 4ème chiffre) de certaines enzymes dans la base de données d'entraînement, puis ont demandé au modèle de les deviner.

• Le Vieux Détective (BLAST) : Si l'enzyme nouvelle ressemble beaucoup à une ancienne, il trouve la bonne famille. Mais si elle est très différente (ce qui est souvent le cas pour les nouvelles découvertes), il perd le fil et se trompe de quartier.
• Les Autres IA : Elles font un peu mieux, mais elles se perdent souvent dans les détails.
• EnzPlacer : Il gagne haut la main ! Même quand l'enzyme est très différente de tout ce qu'il a vu, il réussit à dire : "Ah, celle-ci appartient au quartier des 'Hydrolyses de liaisons phosphodiester' (3.1.4)".

L'exemple concret :
Ils ont pris une enzyme réelle qui coupe des liaisons chimiques spécifiques (une phosphodiestérase).

• Le vieux détective a dit : "C'est une kinase" (une enzyme qui ajoute du phosphore, totalement différent !).
• EnzPlacer a dit : "Non, c'est une phosphodiestérase", même si la recette exacte n'existait pas dans ses livres. Il a correctement identifié le "quartier" (EC3).

💡 Pourquoi c'est important pour nous ?

Cela ne sert pas juste à remplir des tableaux Excel.

1. Pour les biologistes : Au lieu de perdre des mois à tester des milliers d'hypothèses au hasard, ils peuvent maintenant dire : "Cette nouvelle enzyme ressemble à ce quartier précis. Allons tester spécifiquement cette réaction." Cela accélère la découverte de nouveaux médicaments ou de nouvelles enzymes pour l'industrie.
2. Pour l'avenir : Avec l'explosion des données génétiques, nous allons trouver des millions d'enzymes "inconnues". EnzPlacer nous donne une boussole pour ne pas nous perdre dans cette forêt.

En Résumé

Imaginez que vous arrivez dans une ville inconnue sans carte.

• Les anciennes méthodes vous disent : "Je ne sais pas où tu es."
• EnzPlacer vous dit : "Tu n'es pas dans le centre-ville, ni à la campagne. Tu es dans le quartier des parcs. C'est là qu'il faut chercher."

C'est une avancée majeure car, même sans connaître le nom exact de la rue (le 4ème chiffre), savoir dans quel quartier on se trouve (les 3 premiers chiffres) change tout pour comprendre ce qui se passe autour de nous.

Résumé technique

Titre : Comment ne pas être vu : Prédire les fonctions enzymatiques invisibles par apprentissage contrastif

1. Problématique

La prédiction de la fonction des protéines à partir de leur séquence reste un défi majeur en biologie computationnelle. Avec l'explosion des données génomiques, de nombreuses séquences enzymatiques potentielles sont découvertes mais n'ont pas encore été caractérisées biochimiquement.

• Le défi spécifique : Les méthodes actuelles peinent à classer les enzymes dont la fonction exacte (le 4ème niveau du code EC, ou EC4) n'existe pas encore dans les bases de données d'entraînement.
• L'objectif : Au lieu d'essayer de deviner un label EC4 inexistant, l'objectif est de placer ces séquences « invisibles » (unseen) aussi précisément que possible dans l'espace des fonctions connues, en particulier aux niveaux hiérarchiques supérieurs (EC1, EC2, EC3). Cela permet de fournir aux expérimentateurs des hypothèses falsifiables plus ciblées pour la caractérisation fonctionnelle.

2. Méthodologie : EnzPlacer et HiNCE

Les auteurs proposent une nouvelle méthode nommée EnzPlacer, basée sur l'apprentissage contrastif supervisé, pour apprendre un espace d'incorporation (embedding) respectant la hiérarchie du système de classification des enzymes (EC).

• Représentation des protéines :

  • Utilisation d'incorporations pré-entraînées via le modèle ESM-1b (Evolutionary Scale Modeling).
  • Ces embeddings sont figés (frozen) et passent à travers une tête de projection légère (MLP) pour obtenir une représentation $z(x)$ utilisée pour la classification.

• Objectif d'apprentissage : HiNCE (Hierarchical Exemplar Contrastive Objective)
  Contrairement aux méthodes contrastives standard qui traitent les classes EC comme des étiquettes plates, HiNCE intègre explicitement la structure arborescente du code EC (DAG). La fonction de perte combine deux termes :

  1. Perte contrastive au niveau de l'instance ($L_{inst}$) : Rapproche les protéines partageant le même label EC complet (EC4) et éloigne celles ayant des labels différents.
  2. Perte exemplaire hiérarchique ($L_{exem}$) : Pour chaque niveau de préfixe EC (EC1, EC2, EC3, EC4), le modèle calcule un centroïde (moyenne des embeddings) pour chaque classe de préfixe. L'objectif est de rapprocher l'embedding d'une protéine des centroïdes de ses propres préfixes hiérarchiques, tout en l'éloignant des centroïdes d'autres classes.
  • Formule clé : $L_{HiNCE} = \lambda_{inst} L_{inst} + \lambda_{exem} L_{exem}$.

• Stratégie d'échantillonnage :

  • Utilisation d'échantillons négatifs difficiles (Hard Negatives) : Le modèle se concentre sur les enzymes qui sont similaires dans l'espace d'embedding mais qui appartiennent à des familles EC différentes, afin d'affiner la séparation des familles confusables.
  • Mise à jour périodique de la carte de distance pour éviter les échantillons obsolètes.

• Protocole d'évaluation (Split "Unseen") :

  • Les données sont divisées de manière à ce que les classes EC4 du jeu de test n'apparaissent jamais dans le jeu d'entraînement.
  • Cependant, les familles EC3 (les trois premiers chiffres) du test sont présentes dans l'entraînement.
  • Cela simule un scénario réaliste où l'on découvre une nouvelle enzyme (nouveau EC4) appartenant à une famille connue (EC3 existant).

3. Contributions Clés

1. Nouveau protocole d'évaluation : Introduction d'un scénario de « fonction invisible » (Unseen-EC4) plus rigoureux que les évaluations in-distribution traditionnelles, mettant l'accent sur la généralisation aux classes non vues.
2. Algorithme HiNCE : Développement d'un objectif d'apprentissage contrastif qui préserve la géométrie hiérarchique de l'ontologie EC, permettant de maintenir la cohérence des voisins même lorsque le niveau le plus fin (EC4) change.
3. Benchmark complet : Comparaison avec des méthodes de pointe (CLEAN, GloEC, ProteInfer) et une ligne de base par homologie (BLASTp) sur des ensembles de données expérimentalement validés et filtrés par similarité de séquence.

4. Résultats

Les performances ont été évaluées sur la précision, le rappel et le F1 macro aux niveaux EC2 et EC3.

• Performance sur le jeu de données "Unseen" (EC4 non vu) :

  • EnzPlacer surpasse toutes les méthodes (CLEAN, GloEC, ProteInfer, BLASTp) aux niveaux EC2 et EC3.
  • Exemple (EC2) : EnzPlacer atteint une précision de 0,435 et un F1 macro de 0,261, contre 0,385 et 0,226 pour le meilleur concurrent (CLEAN).
  • Robustesse à la faible similarité : Lorsque les homologues proches sont filtrés (similitude < 10%), la performance de BLASTp s'effondre drastiquement, tandis que EnzPlacer et les méthodes basées sur l'apprentissage maintiennent une performance relative supérieure. Cela démontre que l'espace d'embedding appris capture des signaux fonctionnels au-delà de la simple homologie de séquence.
  • Cas d'étude : Pour des phosphodiestérases (ex: A0A1D8PNZ7), BLASTp et d'autres méthodes attribuent incorrectement un EC2/EC3 (ex: kinases), tandis qu'EnzPlacer prédit correctement la famille EC 3.1.4 (phosphodiestérases) malgré l'absence de l'EC4 exact dans l'entraînement.

• Performance sur le jeu de données "Seen" (EC4 vu) :

  • Dans le scénario traditionnel (in-distribution), toutes les méthodes performent bien (précision > 90%), mais EnzPlacer reste supérieur, confirmant que l'approche hiérarchique n'altère pas la performance sur les cas connus.

• Visualisation (t-SNE) :

  • Les visualisations montrent que l'espace d'embedding d'EnzPlacer crée des regroupements (clusters) beaucoup plus cohérents au niveau des familles EC3 que les embeddings bruts ESM, même pour des familles hétérogènes comme les phosphodiestérases.

5. Signification et Implications

• Avancée conceptuelle : Le papier démontre que la difficulté de prédire des fonctions enzymatiques nouvelles ne réside pas seulement dans la qualité de la représentation, mais dans la géométrie de l'espace d'embedding. Il est crucial de préserver la structure hiérarchique pour que la recherche de voisins reste informative lorsque les étiquettes fines (EC4) changent.
• Impact pratique : Pour les pipelines de minage génomique et métagénomique, EnzPlacer permet de réduire considérablement l'espace de recherche expérimental. Au lieu de deviner une fonction précise inconnue, il permet de dire avec confiance : « Cette enzyme appartient probablement à la famille des phosphodiestérases (EC3), et non à celle des kinases ».
• Limites et perspectives :
  • Le modèle traite les enzymes comme des entités à étiquette unique (ne gère pas encore les enzymes multifonctionnelles/promiscuité).
  • Il repose uniquement sur la séquence, sans intégrer la structure 3D, les cofacteurs ou la cinétique.
  • Les scores F1 macro restent modestes (surtout en EC3), indiquant qu'il y a encore beaucoup de place pour l'amélioration, notamment via l'intégration de signaux complémentaires et la gestion des familles rares.

En conclusion, EnzPlacer représente une avancée significative pour la prédiction de fonctions enzymatiques dans des régimes de données non vues, en utilisant une approche d'apprentissage contrastif hiérarchique pour naviguer efficacement dans l'espace des fonctions biologiques.