Riassunto Tecnico: Struttura-Regolarizzata per la Predizione Interpretabile di TCR-Epitopo (TCR-SRIM)

Definizione del Problema

La predizione del legame tra il recettore delle cellule T (TCR) e l'epitopo è una sfida critica nell'immunità adattiva, essenziale per lo sviluppo di vaccini e la progettazione di immunoterapie. Sebbene gli strumenti per la predizione del legame MHC si siano evoluti, la predizione del legame TCR-pMHC rimane difficile a causa della scarsità di strutture risolte sperimentalmente e dei limiti dei modelli esistenti. Gli approcci attuali si dividono in tre categorie: basati sulla sequenza (clustering non supervisionato o deep learning supervisionato), basati sulla struttura o modelli ibridi. Tuttavia, questi modelli soffrono spesso di una scarsa generalizzazione verso epitopi non visti e mancano di interpretabilità (agendo come "scatole nere"). Inoltre, l'impatto dell'uso di strutture computazionalmente predette (ad esempio, da AlphaFold3) rispetto a strutture risolte sperimentalmente sull'apprendimento e l'interpretabilità del modello rimane poco chiaro.

I modelli interpretabili esistenti si affidano o all'analisi post-hoc (che può essere instabile) o a regole biologiche predefinite che non incorporano informazioni strutturali. È necessario un modello che sia "interpretabile per progettazione" (interpretable-by-design), che integri la conoscenza strutturale per guidare l'apprendimento e che possa operare utilizzando solo input di sequenza durante l'inferenza.

Metodologia: TCR-SRIM

Gli autori propongono TCR-SRIM (Modello Interpretabile Regolarizzato dalla Struttura), un framework che combina gli embedding di un modello linguistico proteico (PLM) con prototipi di contatto interpretabili, regolarizzati da un piccolo set di dati strutturali.

1. Panoramica dell'Architettura

Il modello è composto da tre componenti primarie:

• Backbone del Modello Linguistico Proteico (PLM): Il modello utilizza PLM pre-addestrati (ProteinBERT, ESM-1b, ESM-2) per generare embedding ricchi per la catena $\alpha$ del TCR ($E_a$), la catena $\beta$ ($E_b$) e l'epitopo peptidico ($E_e$).
• Potenziamento e Fusione delle Caratteristiche (FEF): Ispirato al lavoro precedente (EGM), il modello impiega meccanismi di cross-attention per fondere le caratteristiche tra le catene del TCR e il peptide. Ciò crea rappresentazioni arricchite ($F_{e}^{a \to b}$, $F_{e}^{b \to a}$, ecc.) che catturano le interazioni tra le specifiche catene e il peptide.
• Strati di Prototipo di Contatto: Invece di un normale strato di classificazione, il modello utilizza strati basati su prototipi per modellare esplicitamente i contatti a livello di residuo.
  • La distanza di contatto tra due embedding fusi ($F_u, F_v$) è modellata tramite la similarità del coseno, scalata da un parametro di temperatura apprendibile $\tau$.
  • Le mappe di contatto sono generate applicando una soglia definita dall'utente ai punteggi di similarità, seguita da una funzione sigmoidale e un'aggregazione tramite pesatura softmax.
  • La predizione finale è il massimo dei punteggi di contatto tra le coppie CDR3-peptide, riflettendo l'osservazione empirica per cui una catena del TCR spesso domina il riconoscimento.

2. Regolarizzazione della Struttura

Una chiave innovazione è il processo di regolarizzazione della struttura, che allinea i prototipi di contatto appresi con i dati strutturali reali senza richiedere strutture al momento dell'inferenza.

• Derivazione della Verità Fondamentale (Ground Truth): Per una data coppia di strutture (ad esempio, CDR3 e peptide), una mappa di contatto viene derivata calcolando la distanza minima atomo per atomo tra i residui.
• Normalizzazione e Mascheramento: La mappa di distanza viene normalizzata e invertita per creare una mappa di importanza. Una maschera binaria viene costruata in base a una soglia $\epsilon$ per identificare i residui spazialmente prossimi.
• Funzione di Perdita: Il modello è regolarizzato utilizzando una perdita di errore quadratico medio mascherata ($L_r$) tra il prototipo di contatto predetto e la verità fondamentale strutturale.
• Pesatura della Risoluzione: Per tenere conto delle diverse risoluzioni strutturali, viene applicata una perdita pesata sulla risoluzione, che assegna un peso maggiore alle strutture di qualità superiore (valore di risoluzione più basso).
• Procedura di Addestramento: L'addestramento alterna l'addestramento supervisionato standard su dati di sequenza su larga scala e i passaggi di regolarizzazione utilizzando il dataset strutturale.

Contributi Chiave

1. Framework Interpretabile per Progettazione: TCR-SRIM incorpora l'interpretabilità direttamente nella sua architettura tramite prototipi di contatto, evitando la necessità di metodi di spiegazione post-hoc.
2. Apprendimento Regolarizzato dalla Struttura: Il modello trasferisce con successo la conoscenza strutturale in modelli basati su sequenze utilizzando un piccolo set di strutture ad alta risoluzione, migliorando la generalizzazione verso epitopi non vati.
3. Confronto tra Strutture Predette e Reali: Lo studio fornisce una valutazione sistematica di come le strutture generate (da AlphaFold3, TCRModel2, tFold-TCR) influenzino l'apprendimento del modello rispetto alle strutture risolte sperimentalmente.

Risultati Sperimentali

Performance Predittiva

• Epitopi Non Visti: Su un dataset compilato con 288 epitopi non visti, TCR-SRIM (utilizzando ProteinBERT) ha raggiunto un top-100 ROC-AUC di 0,989, superando i baseline come MixTCRpred (0,906) e TULIP (0,821) di circa il 9% e il 17%, rispettivamente.
• Benchmark Completo: Su un benchmark completo indipendente, TCR-SRIM ha raggiunto prestazioni allo stato dell'arte con un ROC-AUC di 0,571 (backbone ProteinBERT) e un AUPRC di 0,587 (ESM2-150M), superando o eguagliando altri modelli leader come PISTE e vibtcr.

Interpretabilità (Benchmark TCR-XAI)

• Utilizzando la metrica Binding Region Hit Rate (BRHR), TCR-SRIM ha dimostrato una capacità superiore di identificare i residui di legame veri rispetto ai metodi post-hoc applicati ai modelli black-box.
• Nello specifico, per le interazioni peptide $\to$ CDR3b, TCR-SRIM con ProteinBERT si è avvicinato a un BRHR di 1,0, superando significativamente i baseline.
• La visualizzazione dei prototipi di contatto ha confermato che il modello ha identificato correttamente le regioni di contatto critiche (ad esempio, i residui di CDR3b più vicini al peptide) e che i backbone PLM più grandi (ESM2-650M) hanno prodotto pattern di contatto a "risoluzione" più elevata.

Impatto delle Strutture Generate

Gli autori hanno valutato l'effetto dell'uso di strutture predette per la regolarizzazione:

• Performance: I modelli regolarizzati con strutture predette (AlphaFold3, TCRModel2, tFold-TCR) hanno ottenuto prestazioni competitive ma leggermente inferiori rispetto a quelli che utilizzano strutture reali (ad esempio, top-100 ROC-AUC di circa 0,91–0,94 rispetto a 0,953 per le strutture reali).
• Interpretabilità: È stata osservata una lacuna significativa nell'interpretabilità. I modelli regolarizzati con strutture predette hanno mostrato un BRHR sostanzialmente inferiore per le interazioni peptide-CDR3b (scendendo sotto lo 0,40) rispetto alle strutture reali (>0,80).
• Diversità del Sito di Legame: Le strutture predette hanno portato a mappe di contatto "sovra-levigate" (over-smoothed) con localizzazioni del sito di legame spostate (ad esempio, focalizzate sui residui 13-14 invece del range reale 8-12). Inoltre, le strutture predette hanno mostrato una ridotta diversità del sito di legame (maggiore similarità tra i campioni) rispetto alle diverse conformazioni trovate nei dati sperimentali.

Significato e Rivendicazioni

Il paper sostiene che TCR-SRIM rappresenti un avanzamento significativo dimostrando che la regolarizzazione strutturale può guidare efficacementamente i modelli basati sulla sequenza verso pattern di contatto biologicamente significativi, migliorando così sia l'accuratezza predittiva che l'interpretabilità.

Fondamentalmente, lo studio evidenzia una limitazione nei modelli attuali di predizione strutturale per l'apprendimento TCR-epitopo. Sebbene le strutture predette possano servire come sostituti efficaci quando i dati sperimentali non sono disponibili, esse introducono artefatti (come la ridotta diversità del sito di legame e i pattern di interazione inaccurati) che ostacolano la capacità del modello di apprendere l'intero spettro delle interazioni TCR-epitopo. Gli autori concludono che i modelli interpretabili per progettazione come TCR-SRIM sono preziosi non solo per la predizione, ma anche come strumenti diagnostici per valutare la qualità e l'utilità delle strutture biologiche generate.