Riepilogo Tecnico: PRIME (Rappresentazione delle Proteine tramite Gerarchie Equivarianti Multiscala Informate dalla Fisica)

Enunciato del Problema

Le proteine sono sistemi fisici intrinsecamente multiscala, dove le proprietà funzionali emergono da un'organizzazione strutturale coordinata che va dalle interazioni atomiche alla topologia globale del ripiegamento. I metodi esistenti di apprendimento della rappresentazione delle proteine operano tipicamente a una singola risoluzione strutturale (ad esempio, sequenza, livello atomico o di superficie) o trattano diverse fonti strutturali come modalità parallele integrate tramite allineamento latente o fusione in fase tardiva. Questi approcci non riescono a modellare esplicitamente le relazioni gerarchiche tra le scale strutturali (ad esempio, come gli atomi formano i residui, che a loro volta formano le strutture secondarie, che formano il ripiegamento globale). Di conseguenza, trattano risoluzioni spaziali distinte come viste semantiche indipendenti piuttosto che come livelli annidati all'interno di una gerarchia fisica condivisa, limitando la loro capacità di catturare le interazioni che emergono attraverso le risoluzioni.

Metodologia

Gli autori introducono PRIME, un framework unificato che modella le proteine come una famiglia annidata di cinque grafi strutturali fondati sulla fisica. Il framework opera attraverso due fasi principali: costruzione gerarchica del grafo e passaggio di messaggi multiscala.

1. Costruzione Gerarchica del Grafo

PRIME definisce una gerarchia $\mathcal{G} = \{G^{(0)}, G^{(1)}, G^{(2)}, G^{(3)}, G^{(4)}\}$ che copre cinque livelli, dalla risoluzione fine a quella grossolana:

• Livello 0 (Superficie): I nodi sono facce triangolari della mesh della superficie molecolare.
• Livello 1 (Atomo): I nodi sono atomi pesanti.
• Livello 2 (Residuo): I nodi sono residui di aminoacidi.
• Livello 3 (Struttura Secondaria): I nodi sono elementi di struttura secondaria (SSE: eliche, foglietti, loop).
• Livello 4 (Proteina): Un singolo nodo che rappresenta l'intera proteina.

Connessione e Assegnazione:

• Archetti: Il livello più fine ($G^{(0)}$) utilizza i $k$-vicini più prossimi ($k=8$) sui centroidi delle facce. I livelli più grossolani derivano gli archi in modo deterministico dal livello più fine tramite matrici di partizione $\Pi^{(\ell)}$, dove $A^{(\ell)} = (\Pi^{(\ell)})^\top A^{(\ell-1)} \Pi^{(\ell)}$. Ciò risulta in matrici di adiacenza ponderate che riflettono il numero di connessioni su scala fine tra unità grossolane, codificando la prossimità spaziale senza la costruzione esplicita di archi basata sulle coordinate a ogni livello.
• Mappe di Assegnazione: Le transizioni tra i livelli sono governate da operatori di assegnazione deterministici e informati dalla fisica $\pi^{(\ell)}$, derivati da principi biochimici (ad esempio, distanza euclidea per superficie-atomo, legame covalente per atomo-residuo, algoritmo DSSP per residuo-SSE).
• Caratteristiche dei Nodi:
  • Superficie: Descrittori geometrici manuali (area, distanza del centroide) + embedding da una Rete Neurale a Mesh Equivariante (EMNN) preaddestrata.
  • Atomo: Tipo di elemento/ appartenenza alla catena principale + embedding da una Rete Neurale a Grafo Equivariante (EGNN) preaddestrata.
  • Residuo: Identità dell'aminoacido, angoli della catena principale, curvatura e angoli torsionali.
  • SSE: Codifica one-hot del tipo e lunghezza normalizzata.
  • Proteina: Rappresentazione globale da un modello ESM-2 preaddestrato.

2. Passaggio di Messaggi Multiscala

PRIME impila uno stack di $N$ livelli gerarchici per propagare le informazioni bidirezionalmente. Ogni livello esegue tre operazioni sequenziali:

1. Passaggio di Messaggi Intra-livello: Affina le rappresentazioni a ogni livello indipendentemente utilizzando convoluzioni su grafo con normalizzazione pre-layer, connessioni residue e reti feedforward.
2. Aggregazione Bottom-Up: Propaga i dettagli fini verso l'alto aggregando le rappresentazioni dal livello $\ell-1$ al livello $\ell$ utilizzando $(\Pi^{(\ell)})^\top$, seguito da una fusione controllata (gated fusion).
3. Raffinamento Contestuale Top-Down: Diffonde il contesto di livello grossolano verso il basso dal livello $\ell$ al livello $\ell-1$ utilizzando $\Pi^{(\ell)}$, seguito da una fusione controllata simmetrica.

Il meccanismo di fusione controllata incorpora selettivamente il contesto $c$ nella rappresentazione corrente $z$ tramite un gate apprendibile $g = \sigma(W_g [z \| c])$. La rappresentazione finale viene letta da un livello designato $\ell^*$ (tipicamente il livello dei residui) per le attività a valle. Il framework è progettato per essere SE(3)-invariante end-to-end, poiché tutte le caratteristiche di input e le operazioni sono prive di coordinate o utilizzano embedding scalari invarianti provenienti da encoder equivarianti.

Contributi Chiave

• Framework Unificato: PRIME propone un unico framework che modella le proteine come una famiglia annidata di cinque grafi fondati sulla fisica, connessi da operatori di assegnazione deterministici, consentendo la modellazione esplicita dell'organizzazione fisica gerarchica.
• Scambio di Informazioni Bidirezionale: Il metodo facilita il flusso di informazioni tramite aggregazione bottom-up (da fine a grossolano) e raffinamento top-down (da grossolano a fine), permettendo a ogni livello di codificare sia le proprie informazioni specifiche della modalità che segnali contestuali da tutte le altre scale.
• Bias Induttivo Informato dalla Fisica: A differenza del raggruppamento di grafi guidato dai dati, PRIME sfrutta vincoli biochimici e geometrici noti per definire la gerarchia, fornendo una base principiale per l'apprendimento di rappresentazioni multiscala.
• Lettura Adattiva: Il framework supporta letture adattive tramite attenzione incrociata, permettendo al modello di identificare autonomamente e pesare le risoluzioni strutturali più rilevanti per il compito al momento della previsione.

Risultati Sperimentali

PRIME è stato valutato su quattro benchmark di ProteinWorkshop: Classificazione del Ripiegamento (Fold Classification), Previsione della Classe di Reazione, Previsione dell'Ontologia Genica (GO) e Previsione dei Siti di Interazione Proteina-Proteina (PPI).

• Classificazione del Ripiegamento: PRIME ha raggiunto la massima accuratezza (state-of-the-art) su tutte le divisioni. In particolare, sulle divisioni impegnative Superfamily e Fold, ha superato la baseline geometrica GNN più forte (EGNN) con margini di 13,80 e 18,30 punti, rispettivamente.
• Previsione della Classe di Reazione: PRIME ha raggiunto un'accuratezza dell'84,10%, superando tutte le baseline inclusi ESM (83,10%), suggerendo che una gerarchia strutturale esplicita fornisce un segnale superiore per la previsione della funzione enzimatica rispetto ai modelli basati solo sulla sequenza.
• Ontologia Genica: Il modello ha ottenuto le migliori prestazioni sulle ontologie di Funzione Molecolare (MF) e Componente Cellulare (CC), che sono strettamente legate ai motivi strutturali e ai ripiegamenti globali. Le prestazioni sul Processo Biologico (BP) sono state inferiori, probabilmente a causa della dipendenza dell'annotazione dal contesto evolutivo piuttosto che dalla struttura intrinseca.
• Previsione dei Siti PPI: PRIME ha ottenuto punteggi ROC-AUC competitivi, dimostrando l'applicabilità a compiti a livello di nodo, sebbene non abbia raggiunto la prima posizione nelle classifiche, indicando il potenziale per scelte architetturali specializzate per la previsione precisa delle interfacce.

Studi di Ablazione:

• La rimozione di qualsiasi singolo livello strutturale ha degradato costantemente le prestazioni, confermando che ogni livello contribuisce con informazioni complementari e non ridondanti.
• La rimozione del livello di Struttura Secondaria (SSE) ha causato il calo più significativo (ad esempio, l'accuratezza sulla divisione Fold è scesa dal 59,78% al 16,61%), evidenziando la centralità della topologia SSE nella discriminazione del ripiegamento.
• L'analisi dell'attenzione incrociata adattiva ha rivelato che il modello assegna autonomamente pesi di attenzione più alti ai livelli SSE per la classificazione del ripiegamento e aggiusta i pesi in base al compito (ad esempio, peso più alto sui livelli atomici/residui per la Classe di Reazione), validando la necessità di un design multiscala unificato.

Significato

Il paper afferma che PRIME fornisce una base principiale per l'apprendimento della rappresentazione delle proteine considerando esplicitamente l'organizzazione gerarchica della struttura proteica. Superando le rappresentazioni multimodali piatte o parallele, PRIME cattura le interazioni che emergono attraverso le risoluzioni strutturali. I risultati dimostrano che modellare le proteine come una gerarchia annidata di grafi fondati sulla fisica produce rappresentazioni generalizzabili che superano gli approcci unimodali e multimodali esistenti, in particolare in compiti che richiedono la discriminazione di ripiegamenti strutturalmente simili o la previsione di funzioni enzimatiche governate dalla geometria del sito attivo. La capacità del framework di identificare autonomamente le risoluzioni rilevanti per il compito sottolinea ulteriormente il valore del mantenimento di una gerarchia multiscala completa piuttosto che l'impegno verso una singola risoluzione fissa.