DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics

Sintesi Tecnica: DeepRHP

Problematica
Gli eteropolimeri casuali (RHP) sintetici offrono una via per progettare materiali simili alle proteine capaci di stabilizzare le proteine in ambienti non nativi e facilitare funzioni come il trasporto protonico. Tuttavia, progettare RHP con funzioni specifiche desiderate è difficile perché le catene di RHP sintetiche mancano di sequenze e conformazioni deterministiche. A differenza della progettazione proteica tradizionale, che si affida al sequenziamento ad alto rendimento e alle strutture 3D per metodi come l'evoluzione diretta o la progettazione de novo, la progettazione degli RHP attualmente manca di principi razionali. Gli approcci esistenti sono ampiamente empirici, basati su screening di laboratorio laboriosi di varie composizioni monomeriche e lunghezze di catena. Inoltre, vi è una scarsità di letteratura computazionale riguardante come modellare gli RHP come un insieme piuttosto che come singole catene, lasciando senza risposta domande critiche di progettazione: specificamente, quanti monomeri sono necessari in un "alfabeto" di sistema e come identificare le composizioni monomeriche che corrispondono a specifiche funzioni proteiche.

Metodologia: DeepRHP
Per affrontare queste lacune, gli autori propongono DeepRHP, un Variational Autoencoder (VAE) modificato addestrato sotto un framework semi-supervisionato. Il modello è progettato per apprendere rappresentazioni latenti a bassa dimensionalità delle sequenze RHP che catturino sia i pattern di sequenza che le caratteristiche chimiche critiche.

• Architettura Ibrida: A differenza dei VAE standard che concatenano le caratteristiche in un singolo vettore, DeepRHP impiega un'architettura ibrida composta da un VAE classico e un VAE aggiuntivo guidato dalle caratteristiche che opera in parallelo. Entrambi condividono una variabile latente $z$.
• Apprendimento Semi-Supervisionato: Il modello utilizza i dati di sequenza $x$ e le caratteristiche chimiche correlate alla funzione $y$ (specificamente, il bilancio idrofilo-lipofilo [HLB] medio di finestre scorrevoli). Poiché $y$ è una trasformazione deterministica di $x$, l'encoder si affida esclusivamente a $x$, mentre il decoder è equipaggiato per ricostruire sia la sequenza che la caratteristica.
• Funzione Obiettivo: L'obiettivo dell'addestramento massimizza la log-verosimiglianza della sequenza ottimizzando un Evidence Lower Bound (ELBO) modificato. Questo limite include una somma pesata delle perdite di ricostruzione sia per la sequenza ($x$) che per la caratteristica chimica ($y$), insieme al termine di divergenza di Kullback-Leibler (KL):
  $$\log p(x) \geq \alpha E_q [\log p(x | z)] + (1 - \alpha) E_q [\log p(y | z)] - D_{KL} (q(z | x) \parallel p(z))$$
  Qui, $\alpha$ è un iperparametro che bilancia il peso tra la struttura della sequenza e la fedeltà della caratteristica chimica.
• Implementazione: L'encoder e il decoder sono implementati come multilayer perceptrons (MLP) utilizzando PyTorch. Il modello è addestrato utilizzando l'ottimizzatore ADAM.

Contributi Chiave

1. Prima Applicazione di Deep Learning per la Progettazione di RHP: Questo lavoro è il primo a utilizzare il deep learning per rispondere a domande fondamentali sulla progettazione di RHP, apprendendo rappresentazioni latenti interpretabili per gli ensemble di RHP.
2. Intuizione sui Parametri di Progettazione: Il modello fornisce approfondimenti basati sui dati su due parametri critici: la dimensione dell'alfabeto monomerico e la composizione monomerica.
3. Flessibilità e Interpretabilità: L'architettura ibrida consente l'incorporazione di qualsiasi caratteristica chimica rilevante, rendendo il metodo versatile per varie funzioni proteiche. Inoltre, collegando direttamente le variabili latenti alle caratteristiche chimiche, il modello offre un'interpretabilità spesso assente nei VAE classici, dove le direzioni principali sono fisicamente oscure.

Risultati
Gli autori hanno validato DeepRHP utilizzando un sistema di quattro monomeri a base di metacrilato (MMA, EHMA, OEGMA, SPMA) e 30.000 sequenze di proteine di membrana e globulari da UniProt.

• Validazione della Composizione Monomerica: Il modello ha validato con successo il reperto empirico secondo cui un rapporto tra monomero idrofilo e idrofobo del 30% e 70% è ottimale per stabilizzare le proteine di membrana come l'Acquaporina Z (AqpZ). L'Analisi delle Componenti Principali (PCA) dello spazio latente ha mostrato che le composizioni RHP con questo rapporto (specificamente RHP B e C in un sistema a due monomeri) si sovrappongono significativamente alle proteine naturali di membrana e globulari.
• Analisi della Dimensione dell'Alfabeto: Lo studio ha dimostrato che un alfabeto a due monomeri crea uno spazio di sequenza troppo ampio rispetto alle proteine specifiche. Al contrario, espandere a un sistema a quattro monomeri (variando il rapporto MMA:EHMA mantenendo il bilancio idrofilo/idrofobo 30:70) ha dato origine a uno spazio di sequenza più localizzato. Le proiezioni latenti di AqpZ nello spazio a quattro monomeri coprono quasi interamente gli spazi di RHP 4 e RHP 5.
• Concordanza Sperimentale: Il modello ha previsto che le composizioni RHP 4 e RHP 5 sarebbero ottimali. Questa previsione è allineata con gli esperimenti di laboratorio pubblicati (Panganiban et al. 2018), che hanno identificato un RHP con lo stesso rapporto monomerico di RHP 4 come il più efficace stabilizzatore per AqpZ.
• Ablazione: Negli studi di ablazione, il modello ibrido DeepRHP ha superato un VAE classico singolo privo del regressore di decodifica aggiuntivo.

Significatività e Rivendicazioni
Il documento afferma che DeepRHP dimostra il potenziale di utilizzare architetture di autoencoder ibridi per guidare la progettazione di RHP per proteine e altri composti biologici. Colmando il divario tra lo screening empirico e la progettazione razionale, lo strumento offre una piattaforma per l'analisi di similarità tra proteine target e sequenze RHP. Gli autori posizionano questo lavoro come un "primo passo" nell'integrare il deep learning nella chemioinformatica macromolecolare. Mantengono un tono modesto riguardo al lavoro futuro, notando che le valutazioni attuali sono qualitative e validate rispetto ai risultati di laboratorio. Propongono che gli sforzi futuri dovrebbero concentrarsi sullo sviluppo di misure quantitative per valutare la qualità delle rappresentazioni latenti e sull'esecuzione di task a valle come la classificazione di specifiche proteine di membrana.