ProtFinder: An efficient machine learning framework for protein model selection on real data

ProtFinderの技術要約：実データにおけるタンパク質モデル選択のための効率的な機械学習フレームワーク

問題提起
系統推定は、与えられた多重配列アライメント（MSA）に対して、配列進化の最適な適合モデルを選択することに根本的に依存している。ModelFinderのような従来の手法は、候補モデルを評価するために統計的情報基準（例：BIC、AIC）を利用する。これらは正確ではあるものの、尤度ベースのアプローチは、大規模なデータセットに対してはプロヒビティブ（実行不可能）となるほど、繰り返しの最大尤度最適化を必要とするため、計算コストが高い。さらに、系統学における情報基準の適用可能性については、基礎となる仮定の違反の可能性から疑問が呈されている。

ModelDetectorのような既存の機械学習（ML）手法は、速度面では優れているものの、重大な限界を抱えている。それらはシミュレーションデータのみで学習されているため、実際の生物学的データセットに対する性能が低く、また、サイト間の速度不均一性（RHAS）やアミノ酸頻度の決定といった重要なモデル構成要素へのサポートを欠いている。

手法
著者らは、タンパク質進化モデルの3つの異なる構成要素を予測するために設計された、効率的なMLフレームワークであるProtFinderを導入している。

1. QFinder: 最適なアミノ酸置換行列（交換率行列）を選択する。
2. FFinder: アミノ酸頻度モデル（モデルに固定された経験的頻度 [-F]、または入力MSAから算出された頻度 [+F]）を決定する。
3. RHASFinder: サイト間の速度不均一性モデル（None, +I, +G, または +I+G）を特定する。

データ戦略と転移学習:
シミュレーションと現実の間の溝を埋めるために、ProtFinderは3段階の転移学習戦略を採用している。

1. 初期学習: AliSimを用いて生成された大規模なシミュレーションデータセット（268,800個のMSA）を用いた事前学習。シミュレーションパラメータは、リアリズムを確保するために、実データ（EvoNAPSデータベース）の経験累積分布関数から導出されている。
2. 共同学習: シミュレーションデータ（13,440個のMSA）と実データ（EvoNAPSからの15,330個のMSA）を組み合わせた学習。
3. ファインチューニング: 一般化性能を向上させるため、実データのEvoNAPSデータセットのみを用いた最終学習。

特徴量抽出とネットワークアーキテクチャ:

• QFinder: Squeeze-and-Excitation (SE) ブロックを備えた畳み込みニューラルネットワーク（CNN）を使用する。これは、置換頻度、不変性カウント、およびアミノ酸頻度を捉える、1アライメントあたり625個のランダムにサンプリングされた配列ペアから派生した440個の特徴量行列を処理する。
• FFinder: ハイパーパラメータをグリッドサーチにより最適化したXGBoostを利用する。特徴量には、観察されたアミノ酸頻度、Kullback–LeiblerダイバージェンスおよびJensen–Shannonダイバージェンス、およびアライメント統計量が含まれる。
• RHASFinder: トランスフォーマー・アーキテクチャを採用している。これは、サイト固有の特徴（相対頻度、シャノン・エントロピー、多様性カウント、不変性指標）とともに、グローバルなアライメント統計量（例：不変サイトの割合、エントロピー分散）を処理する。

学習の詳細:
フレームワークは、クラスのサンプル数の逆数によって損失関数を重み付けすることで、実データにおけるクラス不均衡に対処している。学習にはAdamWオプティマイザ、L2正則化、および早期終了（early stopping）を利用している。

主な結果

• シミュレーションデータにおける精度:
  • 置換モデル: QFinderは87.06%の平均精度を達成し、ModelDetector（48.50%）を上回り、ModelFinder（91.75%）に迫った。精度はアライメント長とタクソン数とともに大幅に向上した。
  • 頻度モデル: FFinderは、ModelFinderが苦戦する短いアライメントにおいて、特に顕著な差をもってModelFinder（96.93% vs 87.73%）を大幅に上回った。
  • RHASモデル: RHASFinderはModelFinder（76.75% vs 74.63%）をわずかに上回り、その優位性は、より小さなデータセット（より少ないタクソン数または短い配列）において最も顕著であった。
• 実データ（HSSPデータセット）における精度:
  • ProtFinderは、独立した実データセット（HSSP）においてModelFinderとの高い一致を示した。QFinderは67%のTop-1一致と90.96%のTop-2一致を達成した。
  • FFinderとRHASFinderは、それぞれ74.54%と73.67%のTop-1一致を達成し、Top-2一致は99%を超えた。
  • 対照的に、ModelDetectorは実データにおいて低い性能（48.76%のTop-1一致）を示し、実データでの学習の必要性を裏付けた。
• 計算効率:
  • ProtFinderは、ModelFinderよりも最大で1,400倍高速である。
  • ModelFinderの実行時間はタクソン数やアライメント長に応じて急速にスケールするが、ProtFinderの実行時間はほぼ一定に保たれる。256タクソン、1,000サイトのアライメントに対し、ModelFinderは約10分かかったのに対し、ProtFinderは1.5秒であった。

意義と主張
本論文は、ProtFinderが、実の生物学的データにおける系統学的モデル選択のための機械学習を成功裏に適応させたことで、重要な進歩を遂げたことを主張している。その主な貢献は以下の通りである：

1. 包括的な範囲: 置換モデル、頻度モデル、およびRHASモデルを同時に予測する初のMLフレームワークである。
2. 実世界への適用可能性: 転移学習を通じて、中規模から大規模のデータセットにおいて、尤度ベースの手法（ModelFinder）に匹敵する精度を、数桁速い速度で実現している。
3. 実用的な有用性: 著者らは、ProtFinderを高確率の候補モデルの小さなセットを特定するための高速なプレスクリーニングモジュールとして機能させ、その後、厳密な評価をModelFinderに委ねるという2段階の戦略を提案している。このアプローチは、計算コストを劇的に削減しながら、尤度ベースの手法の精度を維持することを目的としている。

著者らは、ProtFinderは速度と全般的な精度において優れているものの、非常に相関の高い置換モデル（例：Q.pfamとLG）を区別することは、MLと尤度法（ModelFinder）の両方にとって依然として困難であると述べている。彼らは、この加速されたワークフローを実現するために、ProtFinderをIQ-TREEソフトウェアスイートに統合することを計画している。