Information-Geometric Audits of Macromolecular Ensembles: A Prescriptive Protocol for Latent Dimension Selection

Sintesi Tecnica: Audit Geometrico-Informativi di Ensemble Macromolecolari

Problema
L'analisi computazionale degli ensemble macromolecolari si affida alla riduzione della dimensionalità (DR) per estrarre rappresentazioni latenti a bassa dimensionalità ($z \in \mathbb{R}^d$) da spazi configurazionali ad alta dimensionalità ($x \in \mathbb{R}^{3N}$). Una questione critica e non ancora risolta nel campo è la determinazione del numero fisicamente necessario di dimensioni latenti ($d$). Le attuali euristiche di selezione — come la varianza spiegata (PCA), i gap spettrali (tICA) o l'accuratezza cinetica validata incrociatamente (VAMP/GMRQ) — sono calibrate su proxy statistici o specifiche fedeltà cinetiche. Tali metodi non tengono conto del costo termodinamico dell'informazione persa durante la compressione. Di conseguenza, possono selezionare dimensioni che catturano rumore termico irrilevante o, viceversa, scartare variabili collettive macroscopiche, portando a previsioni qualitativamente errate di velocità di ripiegamento, comunicazione allosterica e paesaggi di energia libera. Esiste una mancanza di un quadro rigoroso che connetta la selezione della dimensionalità direttamente alla termodinamica e alla geometria dell'ensemble molecolare.

Metodologia: Un Protocollo Prescrittivo in Tre Fasi
Gli autori propongono un framework di geometria dell'informazione che inquadra la selezione della dimensione latente come un problema fisico risolvibile tramite un protocollo in tre fasi. Questo approccio integra la geometria dell'informazione e la termodinamica stocastica per valutare i candidati dimensionali basandosi sul costo termodinamico globale, sulla distorsione geometrica locale e sull'ottimizzazione tasso-distorsione.

• Fase I: Screening Termodinamico tramite Energia Libera di Compressione
  Il protocollo definisce l'energia libera di compressione, $\Delta F_{\text{compression}}(d) = k_B T D_{KL}(P \parallel Q_d)$, dove $P$ è il vero ensemble di Boltzmann e $Q_d$ è la ricostruzione a $d$ dimensioni. Questa quantità è identificata come la divergenza di Kullback–Leibler tra le distribuzioni, la quale, tramite il limite generalizzato di Landauer, rappresenta il lavoro termodinamico minimo richiesto per eseguire la compressione.

  • Procedura: Il guadagno termodinamico marginale, $\delta F(d)$, viene calcolato per un $d$ crescente. Si identifica un "gomito termodinamico" dove il guadagno marginale scende al di sotto di un livello di rumore (es. una diminuzione di dieci volte), filtrando le dimensioni che sono o troppo piccole (scartando modi macroscopici) o troppo grandi (overfitting del rumore termico), producendo così un insieme di candidati termodinamicamente ammissibili ($D_I$).

• Fase II: Audit Geometrico tramite Curvatura Riemanniana
  Lo scalare $\Delta F_{\text{compression}}$ è una media spaziale e non può rivelare dove nella spazio latente la compressione fallisce. Per risolvere questo, il protocollo calcola la metrica dell'informazione di Fisher ($g_{ij}$) sul manifold latente e la sua associata curvatura scalare ($R(z)$).

  • Procedura: Il campo di curvatura identifica le regioni in cui il framework di DR è costretto a distorcere geometricamente il vero paesaggio energetico (ad esempio, confondendo stati di transizione o appiattendo barriere). Vengono calcolati due statistici: il rapporto di picco della curvatura ($\rho$) e la frazione di copertura dei "hot-spot" ($\eta$). I candidati vengono rifiutati se la curvatura è troppo acuta o estesa, indicando che la dimensionalità è topologicamente insufficiente per risolvere i corridoi critici di transizione. Ciò produce un insieme geometricamente ammissibile ($D_{II}$).

• Fase III: Classificazione tramite Ottimizzazione Tasso-Distorsione
  La fase finale identifica la dimensionalità ottimale $d^*$ individuando la transizione di fase critica sulla curva empirica tasso-distorsione.

  • Procedura: Il protocollo valuta il compromesso tra il tasso di compressione (informazione mutua $I(X; Z)$) e la distorsione energetica ($E[|U(x) - U(\hat{x})|^2]$). L'ottimo $d^*$ è definito come il punto di massima curvatura (il "gomito") su questa curva, che rappresenta la transizione dal filtraggio del rumore termico non coordinato allo scarto attivo di variabili collettive macroscopiche. Uno score fisico composito classifica i candidati sopravvissuti.

Contributi Chiave

1. Framework Teorico: Il documento stabilisce $\Delta F_{\text{compression}}$ come la misura canonica del costo fisico per la compressione latente, collegando rigorosamente l'errore di rappresentazione al limite di Landauer sull'eradicazione irreversibile dell'informazione. Introduce inoltre la metrica dell'informazione di Fisher e la curvatura scalare di Riemann come decomposizione differenziale locale di tale penalità globale.
2. Protocollo Metodologico: Introduce un protocollo indipendente dal metodo con stimatori espliciti per dati di simulazione finiti. A differenza degli approcci precedenti, esso impone simultaneamente la fedeltà termodinamica (tramite $\Delta F$) e la fedeltà geometrica/topologica (tramite la curvatura), anziché ottimizzare solo varianza o tassi cinetici.
3. Diagnostica Comparativa: Il framework fornisce una base fisicamente interpretabile per confrontare i metodi di DR (PCA, tICA, VAE), rivelando profili di distorsione specifici per metodo (es. bias distribuito in PCA, priorità temporale in tICA e mappatura quasi-isometrica in VAE) che sono invisibili ai criteri di selezione scalari.

Risultati
Il protocollo è stato validato sul potenziale Müller–Brown ad alta dimensionalità incorporata, un sistema con una verità fondamentale (ground truth) analiticamente nota $d^* = 2$ (rappresentante due percorsi di transizione indipendenti) immersa in $D=50$ dimensioni con 4 8 coordinate di rumore gaussiano.

• Performance: Il protocollo ha recuperato in modo univoco $d^* = 2$ attraverso tre distinti regimi di compressione: lineare (PCA), cinematicamente motivato (simile a tICA) e generativo non lineare (simile a VAE).
• Confronto con le Euristiche: Le euristiche esistenti hanno fallito nell'identificare coerentemente la dimensionalità corretta. Il criterio della varianza spiegata ha selezionato $d = 7–9$, e l'euristica del gap spettrale è fallita su due dei tre metodi.
• Approfondimenti Diagnostici:
  • La Fase I ha identificato correttamente $d=1$ e $d=2$ come termodinamicamente significativi, ma non è riuscita a rifiutare $d=1$ da solo.
  • La Fase II ha rifiutato $d=1$ rilevando una severa distorsione geometrica (la confluenza di due punti di sella in un singolo coordinato latente), evidenziata da elevati rapporti di curvatura e frazioni di copertura.
  • La Fase III ha confermato $d=2$ come l'ottimo globale, situato alla netta transizione di fase tra la cattura di informazione macroscopica e l'assorbimento del rumore.

Significatività e Rivendicazioni
Il documento rivendica di fornire la prima equivalenza rigorosa tra l'errore di rappresentazione del machine learning e la dissipazione fisica termodinamica. Stabilendo un linguaggio comune radicato nella meccanica statistica, il framework permette di sottoporre a audit, confrontare e migliorare le rappresentazioni molecolari latenti basandosi su principi fisici piuttosto che su proxy statistici. Gli autori affermano che questo protocollo trasforma la selezione della dimensionalità da un esercizio di sintonizzazione degli iperparametri a una rivendicazione fisica falsificabile su quali gradi di libertà siano rilevanti per il sistema biologico. Il lavoro è presentato come una base necessaria per l'analisi di simulazioni molecolari e modelli generativi profondi sempre più complessi, offrendo un metodo prescrittivo per garantire che le rappresentazioni latenti preservino fedelmente la struttura termodinamica e cinetica dell'ensemble.