Repurposing PeTriBERT for Protein Protein Interaction Prediction with Sequence Structure Fusion

La vita alla scala microscopica è un mondo di costante connessione. All'interno di ogni cellula vivente, le proteine agiscono come gli operai, i costruttori e i messaggeri che mantengono in funzione il macchinario della vita. Queste molecole non sono figure solitarie; raramente lavorano da sole. Al contrario, devono trovare partner specifici e incastrarsi tra loro per formare squadre che guidino reazioni chimiche, inviino segnali o costruiscano strutture cellulari. Questo processo in cui due proteine si trovano e si uniscono è chiamato interazione proteina-proteina. Comprendere esattamente quali proteine si accoppiano e come lo facciano è fondamentale per gli scienziati. Se i ricercatori riescono a mappare queste connessioni, possono capire come iniziano le malattie, perché certi farmaci funzionano e come progettare nuovi medicinali per riparare sistemi biologici guasti.

Per molto tempo, capire queste partnership è stato come cercare di risolvere un puzzle con pezzi mancanti. Gli scienziati potevano osservare le proteine interagire in un laboratorio, ma il processo era lento, costoso e spesso incompleto. Negli ultimi anni, l'intelligenza artificiale è intervenuta per aiutare, imparando a prevedere come le proteine si ripiegano nelle loro forme tridimensionali. Questa svolta ha aperto una nuova porta: se possiamo prevedere la forma di una proteina, potremmo essere in grado di prevedere come interagirà con altre. Tuttavia, la forma di una proteina è solo metà della storia. La sua sequenza chimica — l'ordine specifico dei suoi mattoni costruttivi — contiene anch'essa indizi vitali. La sfida è stata quella di costruire un modello informatico capace di leggere sia la sequenza che la forma contemporaneamente, combinandole per fare una previsione affidabile sul fatto che due proteine interagiscano o meno.

Un team di ricercatori in Francia ha compiuto un passo significativo in questa direzione creando un nuovo strumento chiamato PeTriPPI2. Il loro lavoro si concentra su una strategia intelligente di riutilizzo di modelli di intelligenza artificiale esistenti per risolvere un nuovo problema. Sono partiti da due potenti sistemi pre-addestrati. Il primo è un modello che ha letto milioni di sequenze proteiche, imparando il linguaggio della biologia proprio come un essere umano impara una lingua parlata. Il secondo è un modello originariamente progettato per fare l'opposto di quanto solitamente previsto: invece di prevedere una forma da una sequenza, è stato addestrato per indovinare la sequenza che creerebbe una specifica forma. Questo secondo modello, noto come PeTriBERT, è eccezionalmente bravo a comprendere le regole geometriche che governano il modo in cui le parti delle proteine si incastrano nello spazio tridimensionale.

I ricercatori si sono resi conto che, sebbene PeTriBERT fosse stato costruito per un compito diverso, la sua profonda comprensione della geometria proteica potesse essere incredibilmente utile per prevedere le interazioni. Hanno fuso questo modello geometrico con il modello di lettura della sequenza, creando un sistema ibrido. Nella loro configurazione, le due proteine da testare vengono alimentate nel sistema in due modi. Un percorso invia la sequenza grezza degli amminoacidi attraverso il modello linguistico per catturare le istruzioni chimiche. L'altro percorso invia la struttura tridimensionale delle proteine attraverso il modello geometrico. Il sistema analizza quindi come questi due flussi di informazioni si allineano. Si chiede se le istruzioni chimiche e le forme fisiche delle due proteine siano abbastanza compatibili da formare un legame stabile.

Per testare se questo approccio funzionasse, il team ha addestrato il loro nuovo modello su un enorme dataset contenente oltre 1,6 milioni di coppie di proteine, la metà delle quali era nota per interagire e l'altra metà no. Hanno poi messo alla prova il modello su un gruppo separato di 2.342 coppie di proteine che non aveva mai visto prima. I risultati sono stati solidi. Il modello ha identificato correttamente le coppie interagenti con un alto grado di precisione, raggiungendo un punteggio di 0,898. Ancora più importante, quando diceva che due proteine avrebbero interagito, aveva ragione il 91,7 percento delle volte. Questo alto livello di precisione significa che il modello è molto bravo a evitare falsi allarmi, una caratteristica critica per i ricercatori che hanno bisogno di piste affidabili da seguire in laboratorio.

Lo studio ha anche rivelato qualcosa di interessante sul funzionamento del modello testando cosa accade quando alcune sue parti vengono rimosse. Quando i ricercatori hanno impedito al modello di vedere l'informazione sulla sequenza, la sua capacità di prevedere le interazioni è diminuita significamente. Quando hanno bloccato l'informazione strutturale, l'accuratezza del modello è scesa a 0,523 e il suo punteggio F1 a 0,118, performando solo leggermente meglio del caso casuale. Ciò ha confermato che sia la sequenza chimica che la forma fisica sono essenziali per il funzionamento del sistema. Il modello non sta solo memorizzando schemi; sta realmente utilizzando la combinazione di entrambi i tipi di dati per prendere le sue decisioni.

Confrontato con altri metodi d'avanguardia, PeTriPPI2 ha mostrato un punto di forza distinto. Era più preciso di un modello ibrido simile chiamato SpatialPPIv2, il che significa che commetteva meno errori nel prevedere che un'interazione sarebbe avvenuta. Tuttavia, era leggermente meno sensibile, catturando meno delle interazioni totali possibili. Ciò suggerisce che PeTriPPI2 operi con uno standard più rigoroso, preferendo essere sicuro prima di emettere un verdetto. Per gli scienziati, questo compromesso può essere prezioso. In molti scenari di ricerca, è meglio avere una lista più piccola di candidati altamente affidabili piuttosto che una lunga lista di possibilità che include molti falsi segnali.

Il lavoro dimostra che i modelli di intelligenza artificiale addestrati per un compito biologico specifico possono essere adattati con successo per un altro. Prendendo un modello progettato per l'ingegneria inversa delle forme proteiche e insegnandogli a riconoscere le interazioni, i ricercatori hanno dimostrato che la conoscenza geometrica sottostante è trasferibile. Sebbene il modello dipenda ancora da una buona previsione della forma della proteina per funzionare, il successo di questo approccio suggerisce che il futuro della scienza delle proteine possa risiedere in questi sistemi ibridi. Essi combinano la vasta conoscenza delle sequenze proteiche con la logica precisa della geometria fisica, offrendo un quadro più completo di come il mondo molecolare si connette.