Comparative Analysis of Classical Machine Learning and Deep Learning Regression Models for Codon-Level k-mer Composition Analysis of the Nipah Virus Genome

I virus sono invasori minuscoli e implacabili, ma per gli scienziati che li studiano, sono anche vaste biblioteche di informazioni scritte in un codice a quattro lettere. Questo codice, composto dai mattoni adenina, timina, guanina e citosina, detta come un virus si replica e sopravvive. Per decenni, i ricercatori hanno cercato di leggere queste biblioteche genetiche per capire come i virus evolvano o per prevederne il comportamento. Un modo comune per farlo è contare quanto spesso specifiche parole di tre lettere, o "codoni", compaiono nel genoma virale. È un po' come analizzare un romanzo non leggendo la storia, ma contando quante volte compaiono le parole "il", "e" e "gatto". Questo metodo, noto come analisi dei k-mer, trasforma una lunga e complessa sequenza di dati genetici in una semplice lista di numeri che i computer possono elaborare facilmente. Tuttavia, quando la biblioteca è molto piccola, come nel caso del virus Nipah, il compito diventa sorprendentemente difficile. A differenza del virus SARS-CoV-2, che ha centinaia di migliaia di sequenze genetiche disponibili per lo studio, il virus Nipah ha solo una manciata di genomi completi registrati nei database pubblici. Questa scarsità crea una sfida unica: possono i potenti e complessi programmi informatici progettati per trovare schemi in enormi set di dati imparare effettivamente qualcosa di utile da una collezione di dati così piccola?

Un team di ricercatori della Namal University in Pakistan si è posto l'obiettivo di rispondere a questa domanda trattando il genoma del virus Nipah come un puzzle statistico. Hanno raccolto 93 sequenze genetiche complete del virus da un database pubblico e hanno scomposto ciascuna di esse nelle sue costituenti parole genetiche di tre lettere. Questo processo ha creato una massiccia lista di 64 diversi tipi di codoni per ogni virus, rappresentando quanto spesso ciascuna combinazione appariva. I ricercatori hanno poi posto una domanda fondamentale: se avessero conosciuto la frequenza di alcuni di questi codoni, avrebbero potuto prevedere accuratamente la frequenza di un altro? Per testare questo, hanno costruito un modello di regressione, che è essenzialmente uno strumento matematico che cerca di tracciare una linea attraverso una nuvola di punti dati per fare previsioni. Hanno utilizzato i conteggi di quattro codoni specifici per cercare di prevedere il conteggio di un quinto codone, CCG. L'obiettivo non era scoprire un nuovo segreto biologico, ma vedere quale tipo di algoritmo informatico funzionasse meglio quando i dati sono scarsi e le caratteristiche sono altamente ripetitive.

La prima cosa che i ricercatori hanno scoperto è che i dati stessi erano molto più ripetitivi di quanto si aspettassero. Quando hanno esaminato i 64 diversi conteggi dei codoni, hanno scoperto che quasi tutti si muovevano all'unisono. Se un codone appariva frequentemente, anche gli altri tendevano ad apparire frequentemente, creando una situazione in cui i 64 elementi non erano segnali indipendenti, ma piuttosto 64 modi diversi di dire la stessa cosa. Questo è un fenomeno comune nei genomi virali, dove la composizione chimica complessiva del virus forza determinati schemi a ripetersi. Per dare un senso a ciò, i ricercatori hanno utilizzato un filtro statistico per rimuovere le informazioni ridondanti, riducendo la lista da 64 elementi a soli cinque che fossero veramente distinti. Hanno poi inserito questi cinque numeri in sette diversi modelli informatici per vedere quale potesse prevedere meglio il conteggio del codone target. I modelli spaziavano da algoritmi classici e semplici, utilizzati da decenni, a sistemi di deep learning complessi progettati per mimare il cervello umano.

I risultati hanno offerto una lezione chiara e per certi versi sorprendente sui limiti della complessità. I modelli più sofisticati, inclusi i network di deep learning che sono solitamente il gold standard per l'analisi delle sequenze, non hanno superato i metodi più semplici. Infatti, i migliori risultati sono arrivati da un modello Decision Tree, un algoritmo diretto che prende decisioni ponendo una serie di domande sì-o-no sui dati. Questo modello semplice ha raggiunto un'accuratezza di previsione quasi perfetta, seguito da vicino da un modello di regressione lineare di base e da un Random Forest, che è una collezione di alberi decisionali che lavorano insieme. I modelli di deep learning, specificamente il Long Short-Term Memory (LSTM) e il Simple Recurrent Neural Network (RNN), hanno performato bene ma non hanno superato gli strumenti più semplici. Sono riusciti a catturare l'andamento generale dei dati ma non sono riusciti a trovare alcuna relazione nascosta e complessa che i modelli più semplici avessero mancato. I ricercatori hanno notato che questi modelli di deep learning hanno essenzialmente imparato a prevedere il valore medio per la maggior parte dei virus, un comportamento comune quando un sistema complesso riceve troppo poco dato per imparare.

Uno dei risultati più significativi è stato quanto male si sia comportato il Support Vector Machine (SVR). Questo è un algoritmo potente spesso usato nel machine learning, ma in questo caso specifico, ha faticato a fare qualsiasi previsione accurata, anche dopo che i ricercatori hanno adattato i dati per rendere più facile la lettura al computer. Il fallimento di questo modello, combinato con il successo del semplice Decision Tree, suggerisce che per dataset molto piccoli come quello del virus Nipah, aggiungere livelli di complessità non aiuta. I dati semplicemente non contengono abbastanza informazioni uniche per giustificare l'uso di architetture avanzate di deep learning. I ricercatori hanno sottolineato che gli alti punteggi di accuratezza ottenuti non erano dovuti al fatto di aver scoperto una profonda nuova regola biologica, ma perché i dati erano così altamente correlati che prevedere un numero partendo da un altro era quasi inevitabile. Lo studio funge da monito per la biologia computazionale: quando si lavora con patogeni rari e dati limitati, lo strumento più efficace è spesso quello più semplice.

Lo studio si conclude evidenziando l'importanza di comprendere la natura dei dati prima di scegliere un modello. I ricercatori hanno dimostrato che il genoma del virus Nipah, pur essendo biologicamente complesso, presenta un panorama statistico sorprendentemente piatto e ripetitivo. Riducendo i dati ai loro componenti essenziali, hanno dimostrato che modelli semplici e interpretabili possono superare i loro omologhi più complessi in questo specifico contesto. Questo non significa che il deep learning sia inutile per la virologia, ma piuttosto che non è una bacchetta magica per ogni problema. Per ora, il modo migliore per comprendere la composizione genetica del virus Nipah è utilizzare metodi chiari e diretti che non complichino eccessivamente il quadro. Questo approccio fornisce una solida base per studi futuri, assicurando che, man mano che nuovi dati genetici diventano disponibili, gli scienziati possano costruire su una base di risultati affidabili e trasparenti piuttosto che inseguire l'illusione della complessità dove non è necessaria.