Ancestral Sequences Cannot be Accurately Reconstructed via Interpolation in a Variational Autoencoder's Latent Space
Questo studio dimostra che, nonostante il potenziale dei variational autoencoders nel modellare le interazioni epistatiche, la loro perdita intrinseca di informazioni durante il processo di decodifica impedisce loro di ricostruire accuratamente le sequenze ancestrali, poiché sono costantemente superati dai metodi standard basati sulla verosimiglianza e sulla parsimonia.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel profondo della storia della vita, ogni essere vivente porta con sé un registro molecolare dei propri antenati. Gli scienziati cercano da tempo di leggere questo registro, un processo noto come ricostruzione delle sequenze ancestrali. Immaginate di cercare di indovinare le parole esatte di una lettera scritta da un bisnonno, basandovi solo sulle copie conservate dai loro molti pronipoti. In biologia, queste "lettere" sono le catene di amminoacidi che compongono le proteine, i motori di ogni cella. Per decenni, i ricercatori hanno utilizzato modelli statistici per colmare le parole mancanti, assumendo che ogni lettera nella catena cambi indipendentemente dalle altre, come una singola parola in una frase che viene sostituita senza influenzare il significato dell'insieme. Questo approccio è stato lo strumento standard per comprendere come le proteine si siano evolute nel corso di milioni di anni.
Tuttovo, la biologia è raramente così semplice. Nella realtà, le lettere in una catena proteica spesso dipendono l'una dall'altra; cambiare un amminoacido potrebbe essere sicuro solo se un altro cambiamento specifico avvenisse nelle vicinanze. Questa complessa interdipendenza, nota come epistasi, è difficile da catturare con gli strumenti statistici tradizionali. Recentemente, una nuova generazione di strumenti di intelligenza artificiale, specificamente un tipo di modello di deep learning chiamato autoencoder variazionale, ha offerto una strada diversa. Questi modelli sono eccellenti nel trovare schemi nascosti in enormi quantità di dati. Possono comprimere una lunga sequenza proteica in un riassunto matematico compatto, o "embedding", e poi cercare di ricostruire la sequenza originale da quel riassunto. Poiché questi modelli apprendono direttamente dai dati senza essere istruiti a ignorare le connessioni tra le lettere, molti scienziati speravano che potessero risolvere il problema dell'epistasi e ricostruire proteine antiche con un'accuratezza senza precedenti.
Un team di ricercatori si è proposto di testare direttamente questa speranza. Hanno costruito una pipeline che utilizzava questi modelli di IA per indovinare le sequenze delle proteine antiche. L'idea era semplice: prendere le proteine moderne che abbiamo oggi, comprimerle in questi riassunti matematici e poi usare l'albero genealogico noto delle proteine per interpolare, o indovinare, come apparissero i riassunti degli antenati antichi. Una volta ottenuti questi riassunti ipotizzati, li avrebbero inseriti nuovamente nell'IA per generare le effettive sequenze amminoacidiche. Se questo avesse funzionato, avrebbe significato che il deep learning poteva superare i limiti della statistica tradizionale e rivelare la vera storia delle proteine, anche quando quelle storie erano modellate da interazioni complesse tra diverse parti della molecola.
I ricercatori hanno messo alla prova questa idea utilizzando simulazioni al computer. Hanno creato migliaia di finte famiglie proteiche che si sono evolute nel tempo, prima utilizzando le regole semplici e indipendenti che i modelli tradizionali presuppongono, e poi utilizzando regole complesse che includevano i cambiamenti interdipendenti tipici della natura. Hanno poi cercato di ricostruire gli antenati di queste finte famiglie utilizzando sia il nuovo metodo basato sull'IA sia i metodi statistici stabiliti. I risultati sono stati chiari e coerenti. In ogni scenario, sia che le proteine si fossero evolute in modo semplice o con dipendenze complesse, i metodi statistici tradizionali hanno superato l'approccio dell'IA. Il modello di deep learning non è riuscito a produrre sequenze ancestrali accurate, persino nelle situazioni in cui avrebbe dovuto eccellere.
Lo studio è andato più a fondo per capire perché l'IA avesse fallito. È emerso che il problema non era che l'IA avesse perso la struttura dell'albero genealogico. Quando i ricercatori hanno esaminato i riassunti matematici, hanno scoperto che l'IA aveva effettivamente imparato a organizzare le proteine in un modo che rifletteva le loro relazioni evolutive. Il fallimento risiedeva nel passaggio di ricostruzione stesso. L'IA, nel suo sforzo di comprimere i dati in un piccolo riassunto, ha inevitabilmente perso alcuni dei dettagli fini della sequenza originale. Quando i ricercatori hanno cercato di ricostruire le proteine antiche da questi riassunti, l'informazione era troppo sfocata. Il modello non riusciva a generare una sequenza con abbastanza precisione da corrispondere alla vera storia. Anche quando i ricercatori hanno aumentato la dimensione del riassunto matematico per cercare di conservare più informazioni, i guadagni sono stati minimi e il modello ha iniziato semplicemente a memorizzare le proteine moderne invece di apprendere le regole generali dell'evoluzione.
I ricercatori hanno anche testato una versione più avanzata dell'IA che è stata esplicitamente istruita sull'albero genealogico durante l'addestramento. Speravano che questa guida supplementare potesse aiutare, ma non ha migliorato i risultati. Il collo di bottiglia fondamentale rimaneva lo stesso: il processo di compressione della sequenza in un riassunto e la successiva espansione era troppo "lossy" (con perdita di informazioni) per il delicato compito di indovinare il passato. Lo studio conclude che, sebbene questi embedding di IA siano strumenti potenti per visualizzare le famiglie proteiche e prevedere come le proteine moderne possano comportarsi, non sono ancora pronti a sostituire i metodi statistici stabiliti per ricostruire il passato. La speranza che il deep learning potesse risolvere senza sforzo le complesse interazioni evolutive era, in questa specifica applicazione, un vicolo cieco. I metodi tradizionali, nonostante le loro assunzioni più semplici, rimangono il modo più affidabile per leggere la storia molecolare della vita.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.