🧬 biology

Better Protein Function Prediction by Modeling Survivorship Bias

Dit artikel introduceert Evo-PU, een positief-onbepaalde leerframework dat survivorship bias expliciet modelleert via evolutionaire mutatieprocessen om bestaande methoden aanzienlijk te overtreffen bij het voorspellen van proteïnefunctionaliteit in diverse virale datasets.

Oorspronkelijke auteurs: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Gepubliceerd 2026-05-11

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Probleem: De "Survivorship"-Val

Stel je voor dat je probeert te leren hoe je de perfecte taart bakt. Je gaat naar een bakkerij en kijkt naar alle taarten in de vitrine. Ze zien er allemaal heerlijk uit en ze zijn allemaal goed verkocht. Je zou kunnen concluderen: "Oké, alle taarten zijn goed."

Maar hier zit de adder onder het gras: De bakkerij gooit elke taart die verbrandt, instort of verschrikkelijk smaakt, weg voordat deze ooit de vitrine haalt. Je ziet de mislukkingen nooit. Als je probeert te leren van alleen de taarten in de vitrine, begrijp je niet waarom sommige recepten falen. Je ziet alleen de "overlevenden".

Dit is precies het probleem dat wetenschappers hebben met eiwitten (de bouwstenen van het leven).

De Filter van de Natuur: In het wild worden eiwitten die niet werken, geëlimineerd door evolutie. Alleen degenen die een organisme helpen om te overleven en zich voort te planten, worden doorgegeven.
Het Data-Gat: Wanneer wetenschappers kijken naar eiwitdatabases, zien ze voornamelijk de "winnaars" (functionele eiwitten). Ze zien zelden de "verliezers" (niet-functionele eiwitten), omdat die nooit in de natuur zijn waargenomen.

Dit creëert een Survivorship Bias. Als je een computer traint om eiwitfunctie te voorspellen met alleen de "winnaars", raakt deze in de war. Het weet niet dat een iets andere versie van een eiwit een totale mislukking kan zijn.

De Oude Oplossingen (en waarom ze tekortschoten)

Wetenschappers hebben dit eerder geprobeerd op te lossen, maar ze misten een cruciaal detail: Hoe is het eiwit daar gekomen?

Standaard "Positive-Unlabeled" (PU) Leren: Dit is als zeggen: "We hebben een lijst met goede taarten en een lijst met mysterie-dozen. Laten we raden welke mysterie-dozen slecht zijn." Het probleem is dat deze methoden aannemen dat elke mysterie-doos evenveel kans heeft om een goede taart te zijn. Ze houden geen rekening met hoe de taart is gemaakt.
Proteïne Taalmodellen (PLM's): Dit zijn AI's die miljoenen kookboeken lezen om te raden hoe een goed recept eruitziet. Ze zijn geweldig in het opsporen van algemene patronen, maar ze missen soms de specifieke, kleine details die nodig zijn voor een eiwit om een specifieke taak te verrichten (zoals een specifieke sleutel die in een specifiek slot past).
One-Class Classificatie: Dit is als een deurman die alleen weet hoe een "goede gast" eruitziet en iedereen anders wegstuurt. Het is te stijf en begrijpt de nuance niet van waarom iemand niet was uitgenodigd.

De Nieuwe Oplossing: Evo-PU

De auteurs hebben een nieuw hulpmiddel gemaakt genaamd Evo-PU. Denk aan Evo-PU als een detective die niet alleen kijkt naar de taarten in de schappen; ze kijken naar de keuken en het receptenboek om te begrijpen hoe de taarten daar zijn gekomen.

Het Kernidee:
Evo-PU begrijpt dat eiwitten zijn opgebouwd uit kleinere onderdelen genaamd nucleotiden (zoals letters in een woord).

De Analogie: Stel je hebt een heel gewoon woord, zoals "KAT".
- Als je één letter verandert om "BAT" te maken, is het zeer waarschijnlijk dat iemand dat woord al heeft opgeschreven, omdat het makkelijk is om van "KAT" naar "BAT" te gaan. Als je "BAT" niet in het woordenboek hebt gezien, is het waarschijnlijk omdat "BAT" geen zin heeft (het is niet-functioneel).
- Echter, als je probeert "KAT" te veranderen in "XYZZY" (een willekeurige, complexe reeks), is het zeer onwaarschijnlijk dat iemand dat per ongeluk heeft opgeschreven. Als je "XYZZY" niet hebt gezien, is het niet omdat het een slecht woord is; het is gewoon omdat het zo moeilijk is om er per ongeluk op te stuiten dat nog niemand het heeft geprobeerd.

Hoe Evo-PU Werkt:

Het volgt het "pad": Evo-PU kijkt naar de "voorouders" (de gemeenschappelijke eiwitten die we al kennen) en berekent hoe makkelijk het zou zijn om ze te muteren naar een nieuwe versie.
Het past de kansen aan:
- Als een nieuw eiwit één stap verwijderd is van een gemeenschappelijk eiwit, en we hebben het niet gezien, denkt Evo-PU: "Dit is waarschijnlijk een mislukking. Als het had gewerkt, hadden we het nu al gevonden."
- Als een nieuw eiwit veel stappen verwijderd is van iets gemeenschappelijks, en we hebben het niet gezien, denkt Evo-PU: "We hebben het niet gezien omdat het zeldzaam is om te gebeuren, niet omdat het kapot is."
Het Resultaat: Door dit "mutatiepad" te modelleren, kan Evo-PU het verschil maken tussen een eiwit dat ontbreekt omdat het slecht is, versus een eiwit dat ontbreekt omdat het zeldzaam is.

De Resultaten: Werkte het?

Het team testte Evo-PU op virussen zoals Influenza, RSV en SARS-CoV-2. Ze vroegen het om te voorspellen:

Welke delen van het virus helpen het om aan menselijke cellen te plakken?
Welke delen helpen het om zich te verbergen voor ons immuunsysteem?
Welke nieuwe virusvarianten zouden in de toekomst kunnen verschijnen?

Het Oordeel:

Bij Goed Gemonitoreerde Virussen: Voor virussen waar we veel data over hebben (zoals de griep), was Evo-PU de duidelijke winnaar. Het sloeg alle andere methoden (standaard PU-leren, one-class classifiers en taalmodellen). Het voorspelde succesvol welke mutaties zouden werken en welke zouden falen.
Bij Divers Datasets: Toen ze het testten op een enorm, gemengd dataset van veel verschillende organismen (ProteinGym), won Evo-PU niet. De auteurs verklaren dit door het feit dat hun methode afhankelijk is van het precies weten hoe vaak een virus een gastheer heeft geïnfecteerd (prevalentie). In gemengde datasets is die data rommelig of ontbreekt het, waardoor de "detective" een deel van zijn aanwijzingen verliest.

Samenvatting

Het artikel stelt dat je, om te voorspellen of een eiwit werkt, niet alleen naar de lijst van "overlevenden" kunt kijken. Je moet de evolutionaire reis begrijpen die het heeft afgelegd om daar te komen.

Oude Manier: "Ik zie een eiwit. Is het goed? Ik zal raden op basis van hoe het eruitziet."
Evo-PU Manier: "Ik zie een eiwit. Ik weet dat het één mutatie verwijderd is van een gemeenschappelijk eiwit. Aangezien ik deze specifieke mutatie nog niet heb gezien, is het waarschijnlijk een mislukking. Maar als het een rare, complexe mutatie is, geef ik het een kans omdat het gewoon moeilijk te vinden is."

Door rekening te houden met hoe waarschijnlijk het is dat een eiwit in de natuur voorkomt, geeft Evo-PU een veel duidelijker beeld van welke eiwitten echt functioneel zijn en welke evolutionaire doodlopende wegen zijn.

Technische Samenvatting: Betere Voorspelling van Proteïnefunctie door Modellering van Overlevingsbias

Probleemstelling

Proteïnesequentiedata die uit de natuur wordt afgeleid, is inherent bevooroordeeld door evolutionaire en experimentele selectieprocessen. Deze overlevingsbias resulteert in datasets waarbij functionele sequenties systematisch oververtegenwoordigd zijn, terwijl niet-functionele mutaties worden gefilterd door natuurlijke selectie of experimentele protocollen (bijvoorbeeld biopanning). Bijgevolg staat voorspelling van proteïnefunctie vaak voor een Positive-Unlabeled (PU) leerscenario: waargenomen sequenties zijn bekend als functioneel (positief), terwijl niet-waargenomen sequenties ongelabeld zijn—ze kunnen functioneel maar onwaargenomen zijn, of echt niet-functioneel.

Bestaande PU-leermethoden gaan doorgaans uit van een constante klassenvoorkennis (de waarschijnlijkheid dat een ongelabelde sequentie echt positief is) voor alle sequenties. Deze aanname is biologisch onrealistisch, omdat de waarschijnlijkheid dat een sequentie wordt waargenomen, afhankelijk is van zijn evolutionaire toegankelijkheid. Sequences die één mutatie verwijderd zijn van wijdverbreide varianten, zijn veel waarschijnlijker om te ontstaan en te worden waargenomen dan die welke gelijktijdige mutaties vereisen. Standaardmethoden houden geen rekening met deze variabiliteit, wat hun voorspellende prestaties beperkt. Bovendien, hoewel Protein Language Models (PLM's) evolutionaire beperkingen vastleggen, leiden ze vaak statistische patronen af uit waargenomen verdelingen zonder expliciet de mutatiepaden en surveillanceprocessen te modelleren die bepalen welke varianten ontbreken.

Methodologie: Evo-PU

De auteurs stellen Evo-PU voor, een PU-leerkader dat overlevingsbias expliciet modelleert via een evolutionair onderbouwde, sequentie-afhankelijke klassenvoorkennis. Het kerninzicht is dat functionele nucleotidesequenties die dichter bij die in de natuur wijdverbreid liggen, waarschijnlijker worden waargenomen omdat ze kunnen ontstaan via haalbare mutatiepaden.

1. Probabilistisch Datagenererend Proces

Evo-PU formaliseert het waarnemingsproces via drie fasen:

Ontstaan ( $E$ ): Een nucleotidesequentie $y$ ontstaat via mutatie uit een voorouder.
Functionaliteit ( $A$ ): De sequentie codeert voor een functioneel proteïne.
Waarneming ( $O$ ): De sequentie wordt gedetecteerd door een surveillanceproces met waarschijnlijkheid $p_o$ .

De waarschijnlijkheid om een aminozuursequentie $x$ waar te nemen, wordt afgeleid als:
$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$
Waarbij:

$p_a(x; \theta)$ de classifier is die de waarschijnlijkheid van functionaliteit schat.
De term tussen haakjes de sequentie-afhankelijke klassenvoorkennis voorstelt, die de waarschijnlijkheid vastlegt dat een functionele sequentie $x$ wordt waargenomen.
$p_e(y; \alpha)$ de waarschijnlijkheid is dat een nucleotidesequentie $y$ via mutatie ontstaat uit waargenomen voorouders.

2. Model voor het Ontstaan van Nucleotiden

Om $p_e(y; \alpha)$ te schatten, gaat het model ervan uit dat waargenomen nucleotidesequenties ( $D_Y$ ) dienen als voorouders. De ontstaanwaarschijnlijkheid voor een niet-waargenomen sequentie $y$ wordt berekend op basis van:

Mutatieafstand: De waarschijnlijkheid van mutatie van een voorouder $y'$ naar $y$ , met onderscheid tussen transities (vaker voorkomend) en transversies (minder vaak voorkomend).
Prevalentie: De frequentie van de voorouder $y'$ in de waargenomen data, aangeduid als $c(y')$ .
Schaling: Een hyperparameter $\alpha$ schaalt het effectieve ontstaanpercentage om factoren zoals reproductief falen mee te nemen.

De ontstaanwaarschijnlijkheid wordt benaderd als:
$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$

3. Efficiënte Likelihood-benadering

Exacte berekening van de likelihood is onuitvoerbaar voor lange sequenties vanwege de exponentiële grootte van de ruimte van niet-waargenomen sequenties. Evo-PU maakt gebruik van een efficiënte benadering:

Het beperkt de set van niet-waargenomen sequenties ( $\hat{D}'_X$ ) tot die welke zijn gegenereerd door enkel-nucleotidemutaties uit waargenomen data en die een hoge ontstaanwaarschijnlijkheid hebben ( $p_e > \epsilon$ ).
Het beperkt de set van coderende nucleotiden $Y(x)$ voor elke aminozuursequentie tot het snijpunt van waargenomen en waarschijnlijk ontstaande nucleotiden.
Dit maakt een uitvoerbare optimalisatie van de log-likelihood-functie mogelijk met standaard op gradiënten gebaseerde methoden.

4. Implementatiedetails

Classifier: Het kader is agnostisch ten opzichte van de classifier-architectuur, maar gebruikt Logistische Regressie (LR) en een Wide & Deep (WD) neurale netwerk in experimenten.
Representatie: Sequenties worden gecodeerd met behulp van fysisch-chemische eigenschappen van aminozuren (CHEM) om continue optimalisatie mogelijk te maken.
Training: Het model schat gezamenlijk classifier-parameters $\theta$ , surveillance-efficiëntie $p_o$ en de ontstaan-schalfactor $\alpha$ door de benaderde log-likelihood te maximaliseren met $L_2$ -regularisatie.

Belangrijkste Bijdragen

Nieuw Kader: Introductie van Evo-PU, het eerste PU-leerkader dat een wetenschappelijk inzicht in nucleotidemutatie integreert om overlevingsbias te modelleren via een sequentie-afhankelijke klassenvoorkennis.
Biologische Onderbouwing: In tegenstelling tot standaard PU-methoden die uitgaan van een constante klassenvoorkennis, modelleert Evo-PU expliciet hoe mutatie-toegankelijkheid en prevalentie gezamenlijk waarnemingswahrscheinlijkheden bepalen.
Schaalbare Benadering: Ontwikkeling van een efficiënte benaderingsmethode die zich richt op biologisch plausibele, nucleotide-afgeleide varianten, waardoor de likelihood-berekening uitvoerbaar wordt voor grote sequentieruimtes.
Uitgebreide Evaluatie: Rigoureuze testen op single-organism virale datasets (Influenza, RSV, SARS-CoV-2) en multi-organism benchmarks (ProteinGym).

Experimentele Resultaten

De auteurs evalueerden Evo-PU op drie single-organism taken (voorspellen van functionele motieven in Influenza, RSV en SARS-CoV-2) en twee multi-organism ProteinGym-benchmarks.

Single-Organism Taken: Evo-PU presteerde consequent beter dan standaard PU-leermethoden (Protein-PU, 2Step), One-Class Classification (OCC)-methodes (OC-SVM, iForest) en Protein Language Models (PLM's zoals EVE, ESM-1v, kNN-ESM2).
- Opmerkelijke verbeteringen werden gezien in het voorspellen van Influenza-fusie- en bindingsmotieven, RSV HRC-motieven, en het toekomstige ontstaan van SARS-CoV-2-varianten.
- Bij de SARS-CoV-2-ontstaan-taak behaalde Evo-PU de hoogste Spearman-correlatie ( $\rho$ ) tussen de voorspelde functionele waarschijnlijkheid en waargenomen variantfrequenties.
Multi-Organism Taken (ProteinGym): Op heterogene datasets (PSAE en A0) behaalden op PLM gebaseerde methoden de sterkste prestaties. De auteurs schrijven de verminderde prestatie van Evo-PU in dit regime toe aan zijn ontwerp voor goed gesurveilleerde single-organism data en de aanname van gelijke prevalentie over sequenties, wat zijn vermogen beperkt om heterogene surveillancesnelheden te modelleren.

Betekenis en Claims

Het artikel claimt dat Evo-PU een principiële aanpak biedt voor het modelleren van overlevingsbias in proteïne-databases, wat de wetenschappelijke kennis van biochemie en biologie vooruitbrengt. Door nucleotideniveau-mutatie en natuurlijke selectie expliciet in het waarnemingsmodel in te bouwen, levert de methode een biologisch onderbouwde likelihood voor aminozuursequenties op.

De auteurs stellen dat dit werk potentieel positieve impact heeft op:

Geneesmiddelenontwikkeling: Versnelling van de identificatie van therapeutische doelwitten en het ontwerp van effectieve biologica.
Biomaterialen: Leiding geven aan het engineering van proteïnes met gewenste eigenschappen.
Fundamenteel Onderzoek: Verschaffen van een kader om de relatie tussen proteïne-sequentie en functie beter te begrijpen in aanwezigheid van selectiebias.

Het artikel erkent bescheiden beperkingen, waarbij wordt opgemerkt dat het huidige model geen rekening houdt met inserties of deleties en dat het uitbreiden van het kader om heterogene waarneembaarheid en datasets zonder prevalentie-informatie te hanteren, een richting voor toekomstig werk blijft. Het benadrukt ook de noodzaak van verantwoord gebruik om het ontwerp van gevaarlijke proteïne-sequenties te voorkomen.