Technische Samenvatting: Structuur-geregulariseerde Interpreteerbare TCR-Epitope Voorspelling (TCR-SRIM)

Probleemdefinitie

De voorspelling van de binding tussen T-celreceptor (TCR) en epitoop is een cruciale uitdaging in de adaptieve immuniteit, essentieel voor de ontwikkeling van vaccins en het ontwerp van immunotherapie. Hoewel instrumenten voor MHC-bindingsvoorspelling volwassen zijn geworden, blijft de voorspelling van TCR-pMHC-binding moeilijk vanwege het tekort aan experimenteel opgeloste structuren en de beperkingen van bestaande modellen. Huidige benaderingen vallen uiteen in drie categorieën: sequentie-gebaseerd (ongesuperviseerde clustering of gesuperviseerd deep learning), structuur-gebaseerd, of hybride modellen. Deze modellen lijden echter vaak aan een slechte generalisatie naar ongeziene epitopen en missen interpreteerbaarheid (ze fungeren als "black boxes"). Bov�en is de impact van het gebruik van computationeel voorspelde structuren (bijv. uit AlphaFold3) versus experimenteel opgeloste structuren op het leren en de interpreteerbaarheid van het model nog onduidelijk.

Bestaande interpreteerbare modellen vertrouwen ofwel op post-hoc analyse (wat instabiel kan zijn) of op vooraf gedefinieerde biologische regels die geen structurele informatie incorporeren. Er is behoefte aan een model dat "interpreteerbaar-door-ontwerp" is, structurele kennis integreert om het leren te sturen, en dat uitsluitend met sequentie-inputs kan opereren tijdens de inferentie.

Methodologie: TCR-SRIM

De auteurs stellen TCR-SRIM (Structure-Regularized Interpretable Model) voor, een framework dat proteïne taalmodel (PLM) embeddings combineert met interpreteerbare contactprototypes, geregulariseerd door een kleine set structurele data.

1. Architectuuroverzicht

Het model bestaat uit drie primaire componenten:

• Proteïne Taalmodel (PLM) Backbone: Het model maakt gebruik van voorgetrainde PLMs (ProteinBERT, ESM-1b, ESM-2) om rijke embeddings te genereren voor de TCR $\alpha$-keten ($E_a$), $\beta$-keten ($E_b$) en het epitoop peptide ($E_e$).
• Feature Enhancement and Fusion (FEF): Geïnspireerd door eerder werk (EGM), gebruikt het model cross-attention mechanismen om kenmerken tussen de TCR-ketens en het peptide te fuseren. Dit creëert verrijkte representaties ($F_{e}^{a \to b}$, $F_{e}^{b \to a}$, etc.) die interacties tussen specifieke ketens en het peptide vastleggen.
• Contact Prototype Lagen: In plaats van een standaard classificatiekop gebruikt het model prototype-gebaseerde lagen om residu-niveau contacten expliciet te modelleren.
  • De contactafstand tussen twee gefuseerde embeddings ($F_u, F_v$) wordt gemodelleerd via cosinus-gelijkenis, geschaald door een leerbare temperatuurparameter $\tau$.
  • Contactkaarten worden gegenereerd door een door de gebruiker gedefinieerde drempelwaarde toe te passen op de gelijkenisscores, gevolgd door een sigmoidfunctie en aggregatie via softmax-weging.
  • De uiteindelijke voorspelling is de maximumwaarde van de contactscores tussen de CDR3-peptide paren, wat de empirische observatie weerspiegelt dat één TCR-keten vaak de herkenning domineert.

2. Structuur-regularisatie

Een kerninnovatie is het structuur-regularisatieproces, dat de geleerde contactprototypes afstemt op de grondwaarheid van structurele data zonder dat structuren vereist zijn tijdens de inferentie.

• Afleiding Grondwaarheid: Voor een gegeven paar structuren (bijv. CDR3 en peptide) wordt een contactkaart afgeleid door de minimale atoom-gewijze afstand tussen residuen te berekenen.
• Normalisatie en Maskering: De afstandskaart wordt genormaliseerd en geïnverteerd om een belangheidskaart te creëren. Een binaire maskering wordt geconstrueerd op basis van een drempelwaarde $\epsilon$ om ruimtelijk nabije residuen te identificeren.
• Verliesfunctie: Het model wordt geregulariseerd met een gemaskeerde gemiddelde kwadratische foutverlies ($L_r$) tussen het voorspelde contactprototype en de structurele grondwaarheid.
• Resolutie-weging: Om rekening te houden met variërende structurele resoluties, wordt een resolutie-gewogen verlies toegepast, waarbij meer gewicht wordt toegekend aan structuren van hogere kwaliteit (lagere resolutiewaarde).
• Trainingsprocedure: De training wisselt af tussen standaard gesuperviseerde training op grootschalige sequentiegegevens en regularisatiestappen met behulp van de structurele dataset.

Belangrijkste Bijdragen

1. Interpreteerbaar-door-ontwerp Framework: TCR-SRIM implementeert interpreteerbaarheid direct in de architectuur via contactprototypes, waardoor post-hoc verklaringmethoden worden vermeden.
2. Structuur-geregulariseerd Leren: Het model slaagt erin structurele kennis over te dragen naar sequentie-gebaseerde modellen met behulp van een kleine set hoog-resolutie structuren, wat de generalisatie naar ongeziene epitopen verbetert.
3. Benchmarking van Voorspelde versus Echte Structuren: De studie biedt een systematische evaluatie van hoe gegenereerde structuren (uit AlphaFold3, TCRModel2, tFold-TCR) de leerprestaties van het model beïnvloeden vergeleken met experimenteel opgeloste structuren.

Experimentele Resultaten

Voorspellende Prestaties

• Ongeziene Epitopen: Op een samengestelde dataset met 288 ongeziene epitopen bereikte TCR-SIM (met ProteinBERT) een top-100 ROC-AUC van 0,989, waarmee het baselines zoals MixTCRpred (0,906) en TULIP (0,821) met ongeveer 9% en 17% respectievelijk versloeg.
• Uitgebreide Benchmark: Op een onafhankelijke uitgebreide benchmark behaalde TCR-SRIM state-of-the-art prestaties met een ROC-AUC van 0,571 (ProteinBERT backbone) en een AUPRC van 0,587 (ESM2-150M), waarmee het leidende modellen zoals PISTE en vibtcr evenaart of overtreft.

Interpreteerbaarheid (TCR-XAI Benchmark)

• Gebruikmakend van de Binding Region Hit Rate (BRHR) metriek, demonstreerde TCR-SRIM een superieur vermogen om ware bindingsresiduen te identificeren vergeleken met post-hoc methoden toegepast op black-box modellen.
• Specifiek voor peptide $\to$ CDR3b interacties benaderde TCR-SRIM met ProteinBERT een BRHR van 1,0, wat aanzienlijk beter is dan de baselines.
• Visualisatie van contactprototypes bevestigde dat het model de kritieke contactregio's correct identificeerde (bijv. de CDR3b residuen die het dichtst bij het peptide liggen) en dat grotere PLM backbones (ESM2-650M) hogere "resolutie" contactpatronen produceerden.

Impact van Gegenereerde Structuren

De auteurs evalueerden het effect van het gebruik van voorspelde structuren voor regularisatie:

• Prestaties: Modellen die geregulariseerd zijn met voorspelde structuren (AlphaFold3, TCRModel2, tFold-TCR) behaalden concurrerende maar iets lagere prestaties dan die met echte structuren (bijv. top-100 ROC-AUC van ~0,91–0,94 versus 0,953 voor echte structuren).
• Interpreteerbaarheid: Er werd een aanzienlijk gat waargenomen in interpreteerbaarheid. Modellen geregulariseerd met voorspelde structuren vertoonden een substantieel lagere BRHR voor peptide-CDR3b interacties (onder de 0,40) vergeleken met echte structuren (>0,80).
• Diversiteit van de Bindingsplaats: Voorspelde structuren leidden tot "overmatig gladgestreken" contactkaarten met verschoven lokalisaties van de bindingsplaats (bijv. focus op residuen 13-14 in plaats van het ware 8-12 bereik). Bovendien vertoonden voorspelde structuren een verminderde diversiteit in bindingsplaatsen (hogere gelijkenis tussen monsters) vergeleken met de diverse conformaties die in experimentele data worden gevonden.

Betekenis en Claims

Het artikel claimt dat TCR-SRIM een significante vooruitgang vertegenwoordigt door aan te tonen dat structuur-regularisatie effectief sequentie-gebaseerde modellen kan sturen naar biologisch betekenisvolle contactpatronen, wat zowel de voorspellende nauwkeurigheid als de interpreteerbaarheid verbetert.

Cruciaal is dat de studie een beperking in huidige structuurvoorspellingsmodellen voor TCR-epitope leren benadrukt. Hoewel voorspelde structuren effectieve substituten kunnen dienen wanneer experimentele data niet beschikbaar zijn, introduceren ze artefacten (zoals verminderde diversiteit in bindingsplaatsen en onnauwkeurige interactiepatronen) die het vermogen van het model hinderen om het volledige spectrum van TCR-epitope interacties te leren. De auteurs concluderen dat interpreteerbaar-door-ontwerp modellen zoals TCR-SRIM waardevol zijn, niet alleen voor voorspelling, maar ook als diagnostische instrumenten om de kwaliteit en bruikbaarheid van gegenereerde biologische structuren te evalueren.