EIHR-PROT: Explicitly Modelling of Homology Reliability for Protein Function Prediction

Le proteine sono le macchine molecolari che mantengono in funzione la vita, svolgendo compiti che vanno dalla costruzione delle strutture cellulari alla catalisi delle reazioni chimiche che alimentano i nostri corpi. Per capire cosa faccia una specifica proteina, gli scienziati spesso osservano la sua sequenza amminoacidica, l'unica stringa di mattoni fondamentali che la compone. Per decenni, il modo più affidabile per indovinare la funzione di una proteina è stato trovare un'altra proteina con una sequenza molto simile che fosse già stata studiata; se apparivano simili, probabilmente svolgevano lo stesso lavoro. Questo metodo, noto come omologia, funziona magnificamente quando esistono parenti stretti nel record scientifico. Tuttavia, mentre i ricercatori esplorano la vasta diversità della vita, si imbattono sempre più spesso in proteine che sono così diverse da quelle note che questi confronti tradizionali falliscono. Negli ultimi anni, modelli di intelligenza artificiale addestrati su milioni di sequenze proteiche sono emersi come strumenti potenti, capaci di individuare schemi sottili e indizi evolutivi che il semplice confronto di sequenze non riesce a cogliere. Eppure, una domanda persistente rimane: quando appare una nuova proteina, dovremmo fidarci del vecchio metodo di ricerca di un sosia, del nuovo metodo di riconoscimento di schemi, o forse di una combinazione di entrambi?

Un team di ricercatori della Covenant University in Nigeria ha sviluppato un nuovo approccio per rispondere a questa domanda, creando un sistema che non si limita a scegliere un metodo rispetto all'altro, ma impara quando fidarsi di ciascuno. Chiamano il loro framework EIHR-PROT. Invece di imporre una regola fissa su come combinare i due tipi di evidenza, il loro modello agisce come un filtro intelligente che valuta la qualità dei match "sosia" per ogni singola proteina esaminata. Se il sistema trova un match molto forte e vicino nel suo database, si affida pesantemente a quell'evidenza tradizionale. Se i match sono deboli, distanti o inesistenti, il sistema sposta automaticamente la sua fiducia al modello di intelligenza artificiale, che si basa sui profondi schemi appresi dallo studio di milioni di proteine. Questo aggiustamento dinamico permette al modello di evitare le insidie del fidarsi ciecamente di somiglianze deboli, pur capitalizzando su di esse quando sono affidabili.

I ricercatori hanno costruito il loro sistema utilizzando due flussi principali di informazioni. Il primo flusso proviene da un sofisticato modello linguistico chiamato ESM-2, che è stato addestrato su una collezione massiccia di sequenze proteiche per comprendere la loro grammatica biologica. Questo modello converte la sequenza di una proteina in una rappresentazione matematica che cattura i suoi tratti strutturali e funzionali nascosti. Il secondo flusso proviene da uno strumento di ricerca standard che cerca sequenze simili in un database di proteine note. L'innovazione risiede nel modo in cui questi due flussi vengono uniti. I ricercatori hanno aggiunto un meccanismo di "gating" (controllo) che esamina indizi specifici sulla qualità dei match nel database, come quanto la sequenza della proteina si allinei e quanto sia forte il punteggio statistico del match. In base a questi indizi, il gate decide esattamente quanto peso dare al match del database rispetto alla previsione dell'IA per quella specifica proteina.

Quando il team ha testato questo sistema su un grande insieme di proteine con funzioni note, i risultati hanno mostrato che questo approccio adattivo ha superato i metodi esistenti che utilizzano regole fisse per combinare le evidenze. Il modello ha raggiunto un'elevata accuratezza nella previsione di tre grandi categorie di funzione proteica: quali processi biologici la proteina è coinvolta, quali compiti molecolari svolge e dove si trova all'interno di una cellula. In questi test, il sistema ha identificato correttamente la funzione delle proteine con un alto grado di precisione, superando altri metodi d'avanguardia che mescolano dati di sequenza e omologia. I ricercatori hanno scoperto che il miglioramento era più evidente nella previsione dei processi biologici, un'area complessa dove l'affidabilità dei match tradizionali può variare enormemente. Modellando esplicitamente l'affidabilità dell'evidenza di omologia, il sistema ha imparato a ignorare i match rumorosi o fuorvianti che avrebbero potuto confondere un modello più semplice.

Per capire perché questo abbia funzionato così bene, i ricercatori hanno eseguito esperimenti in cui hanno rimosso parti specifiche del loro sistema. Quando hanno tolto la capacità di giudicare l'affidabilità dei match, le prestazioni del modello sono diminuite, confermando che il meccanismo di gating intelligente era la chiave del loro successo. Hanno anche testato il sistema su un insieme di proteine che erano molto diverse da tutto ciò che era presente nel database di addestramento, simulando la scoperta di entità biologiche completamente nuove. Anche in questi casi difficili, dove i metodi tradizionali spesso faticano, il sistema ha mantenuto prestazioni solide. Ciò suggerisce che il modello ha imparato con successo a fare affidamento sulla profonda comprensione degli schemi proteici dell'IA quando l'evidenza del "sosia" tradizionale era troppo debole per essere ritenuta affidabile. Lo studio dimostra che il futuro della previsione della funzione proteica non richiede necessariamente di scegliere tra vecchi e nuovi metodi, ma piuttosto di costruire sistemi in grado di pesare intelligentemente l'evidenza disponibile per ogni caso unico.

Le implicazioni di questo lavoro vanno oltre il semplice ottenimento di punteggi migliori in un test. Rendendo trasparente il processo decisionale, il sistema permette agli scienziati di vedere esattamente quanto affidamento sia stato posto nei match del database rispetto alle previsioni dell'IA per una data proteina. Questa interpretabilità è cruciala per i ricercatori che hanno bisogno di comprendere la base di una previsione prima di agire su di essa. Gli autori sottolineano che, sebbene il loro sistema attuale gestisca efficacemente le sequenze proteiche, le versioni future potrebbero incorporare altri tipi di dati biologici, come le strutture proteiche o le reti di interazione, utilizzando la stessa logica flessibile. Per ora, questa ricerca offre una via chiara da seguire: un metodo che rispetta il valore della conoscenza biologica tradizionale pur abbracciando pienamente il potere della moderna intelligenza artificiale, adattando la propria strategia alle esigenze specifiche di ogni proteina che incontra.