Riepilogo Tecnico: Miglioramento della Predizione della Funzione Proteica Modellando il Bias di Sopravvivenza

Enunciato del Problema

I dati di sequenza proteica derivati dalla natura sono intrinsecamente distorti a causa dei processi di selezione evolutiva e sperimentale. Questo bias di sopravvivenza comporta dataset in cui le sequenze funzionali sono sistematicamente sovrarappresentate, mentre le mutazioni non funzionali vengono filtrate dalla selezione naturale o dai protocolli sperimentali (ad esempio, il biopanning). Di conseguenza, la predizione della funzione proteica si trova spesso di fronte a uno scenario di apprendimento Positive-Unlabeled (PU): le sequenze osservate sono note come funzionali (positive), mentre le sequenze non osservate sono non etichettate; esse potrebbero essere funzionali ma non osservate, o realmente non funzionali.

I metodi PU esistenti assumono tipicamente un prior di classe costante (la probabilità che una sequenza non etichettata sia realmente positiva) per tutte le sequenze. Questa assunzione è biologicamente irrealistica perché la probabilità che una sequenza venga osservata dipende dalla sua accessibilità evolutiva. Le sequenze distanti di una sola mutazione dalle varianti prevalenti hanno molte più probabilità di sorgere e di essere osservate rispetto a quelle che richiedono mutazioni simultanee multiple. I metodi standard non tengono conto di questa variabilità, limitando le loro prestazioni predittive. Inoltre, mentre i Modelli Linguistici delle Proteine (PLM) catturano i vincoli evolutivi, spesso inferiscono pattern statistici dalle distribuzioni osservate senza modellare esplicitamente i percorsi mutazionali e i processi di sorveglianza che determinano quali varianti mancano.

Metodologia: Evo-PU

Gli autori propongono Evo-PU, un framework di apprendimento PU che modella esplicitamente il bias di sopravvivenza attraverso un prior di classe dipendente dalla sequenza e informato dall'evoluzione. L'idea centrale è che le sequenze di nucleotidi funzionali più vicine a quelle prevalenti in natura siano più probabili da osservare perché possono sorgere attraverso percorsi mutazionali fattibili.

1. Processo Probabilistico di Generazione dei Dati

Evo-PU formalizza il processo di osservazione attraverso tre stadi:

• Emergenza ($E$): Una sequenza di nucleotidi $y$ emerge tramite mutazione da un antenato.
• Funzionalità ($A$): La sequenza codifica una proteina funzionale.
• Osservazione ($O$): La sequenza viene rilevata da un processo di sorveglianza con probabilità $p_o$.

La verosimiglianza di osservare una sequenza di amminoacidi $x$ è derivata come:
$$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$$
Dove:

• $p_a(x; \theta)$ è il classificatore che stima la probabilità di funzionalità.
• Il termine tra parentesi quadre rappresenta il prior di classe dipendente dalla sequenza, che cattura la probabilità che una sequenza funzionale $x$ venga osservata.
• $p_e(y; \alpha)$ è la probabilità che una sequenza di nucleotidi $y$ emerga da antenati osservati tramite mutazione.

2. Modello di Emergenza dei Nucleotidi

Per stimare $p_e(y; \alpha)$, il modello assume che le sequenze di nucleotidi osservate ($D_Y$) servano come antenati. La probabilità di emergenza per una sequenza non osservata $y$ è calcolata basandosi su:

• Distanza Mutazionale: La probabilità di mutazione da un antenato $y'$ a $y$, distinguendo tra transizioni (più comuni) e transversioni (meno comuni).
• Prevalenza: La frequenza dell'antenato $y'$ nei dati osservati, indicata come $c(y')$.
• Scalatura: Un iperparametro $\alpha$ scala il tasso di emergenza effettivo per tenere conto di fattori come il fallimento riproduttivo.

La probabilità di emergenza è approssimata come:
$$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$$

3. Approssimazione Efficiente della Verosimiglianza

Il calcolo esatto della verosimiglianza è intrattabile per sequenze lunghe a causa della dimensione esponenziale dello spazio delle sequenze non osservate. Evo-PU impiega un'approssimazione efficiente:

• Restringe l'insieme delle sequenze non osservate ($\hat{D}'_X$) a quelle generate da mutazioni di un singolo nucleotide dai dati osservati che hanno un'alta probabilità di emergenza ($p_e > \epsilon$).
• Restringe l'insieme dei nucleotidi codificanti $Y(x)$ per qualsiasi sequenza di amminoacidi all'intersezione tra nucleotidi osservati e nucleotidi probabilmente emergenti.
• Ciò consente un'ottimizzazione trattabile della funzione di log-verosimiglianza utilizzando metodi standard basati sul gradiente.

4. Dettagli di Implementazione

• Classificatore: Il framework è agnostico rispetto all'architettura del classificatore, ma utilizza la Regressione Logistica (LR) e una rete neurale Wide & Deep (WD) negli esperimenti.
• Rappresentazione: Le sequenze sono codificate utilizzando le proprietà fisico-chimiche degli amminoacidi (CHEM) per abilitare l'ottimizzazione continua.
• Addestramento: Il modello stima congiuntamente i parametri del classificatore $\theta$, l'efficienza di sorveglianza $p_o$ e il fattore di scalatura dell'emergenza $\alpha$ massimizzando la log-verosimiglianza approssimata con regolarizzazione $L_2$.

Contributi Chiave

1. Framework Innovativo: Introduzione di Evo-PU, il primo framework di apprendimento PU che incorpora una comprensione scientifica della mutazione dei nucleotidi per modellare il bias di sopravvivenza tramite un prior di classe dipendente dalla sequenza.
2. Fondamento Biologico: A differenza dei metodi PU standard che assumono un prior di classe costante, Evo-PU modella esplicitamente come l'accessibilità mutazionale e la prevalenza determinino congiuntamente le probabilità di osservazione.
3. Approssimazione Scalabile: Sviluppo di un metodo di approssimazione efficiente che si concentra su varianti derivate da nucleotidi biologicamente plausibili, rendendo il calcolo della verosimiglianza trattabile per grandi spazi di sequenze.
4. Valutazione Completa: Test rigorosi su dataset virali di singoli organismi (Influenza, RSV, SARS-CoV-2) e su benchmark multi-organismo (ProteinGym).

Risultati Sperimentali

Gli autori hanno valutato Evo-PU su tre compiti di singolo organismo (predizione di motivi funzionali in Influenza, RSV e SARS-CoV-2) e su due benchmark multi-organismo ProteinGym.

• Compiti di Singolo Organismo: Evo-PU ha costantemente superato i metodi standard di apprendimento PU (Protein-PU, 2Step), i metodi di Classificazione a Una Classe (OCC) (OC-SVM, iForest) e i Modelli Linguistici delle Proteine (PLM come EVE, ESM-1v, kNN-ESM2).
  • Sono state osservate migliorie notevoli nella predizione dei motivi di fusione e legame dell'Influenza, dei motivi HRC dell'RSV e dell'emergenza futura di varianti di SARS-CoV-2.
  • Nel compito di emergenza di SARS-CoV-2, Evo-PU ha raggiunto la correlazione di Spearman ($\rho$) più alta tra la probabilità funzionale predetta e le frequenze delle varianti osservate.
• Compiti Multi-Organismo (ProteinGym): Su dataset eterogenei (PSAE e A0), i metodi basati su PLM hanno raggiunto le prestazioni più forti. Gli autori attribuiscono la ridotta prestazione di Evo-PU in questo regime al suo design per dati di singoli organismi ben sorvegliati e all'assunzione di prevalenza uguale tra le sequenze, il che limita la sua capacità di modellare tassi di sorveglianza eterogenei.

Significato e Affermazioni

Il paper afferma che Evo-PU fornisce un approccio fondato su principi per modellare il bias di sopravvivenza nei database proteici, avanzando la comprensione scientifica della biochimica e della biologia. Incorporando esplicitamente la mutazione a livello di nucleotidi e la selezione naturale nel modello di osservazione, il metodo produce una verosimiglianza biologicamente fondata per le sequenze di amminoacidi.

Gli autori affermano che questo lavoro ha potenziali impatti positivi in:

• Scoperta di Farmaci: Accelerando l'identificazione di bersagli terapeutici e la progettazione di biologici efficaci.
• Biomateriali: Guidando l'ingegneria di proteine con proprietà desiderate.
• Ricerca di Base: Fornendo un framework per comprendere meglio la relazione tra sequenza proteica e funzione in presenza di bias di selezione.

Il paper riconosce modestamente le limitazioni, notando che il modello attuale non tiene conto di inserzioni o delezioni e che estendere il framework per gestire l'osservabilità eterogenea e dataset privi di informazioni sulla prevalenza rimane una direzione per lavori futuri. Sottolinea inoltre la necessità di un uso responsabile per prevenire la progettazione di sequenze proteiche pericolose.