Bacterial protein function prediction via multimodal deep learning

Deze paper introduceert DeepEST, een multimodaal deep learning-framework dat genexpressie, genlocatie en eiwitstructuur integreert om de functie van bacteriële eiwitten nauwkeuriger te voorspellen dan bestaande methoden.

De kern

De "DeepEST": Een Super-Detective voor Bacteriële Proteïnen

Stel je voor dat bacteriën enorme, ingewikkelde fabrieken zijn. In deze fabrieken werken miljoenen kleine werknemers: de eiwitten (proteïnen). Elke werknemer heeft een specifieke taak, zoals het repareren van een machine, het vervoeren van goederen of het verdedigen tegen indringers.

Het probleem? We kennen de namen en taken van slechts een klein deel van deze werknemers. Voor de meeste weten we niets meer dan "dit is een werknemer, maar wat doet hij precies?". In de wetenschap noemen we deze onbekenden "hypothetische eiwitten". Het is alsof je een fabriek binnenstapt met duizenden arbeiders, maar niemand heeft een naamplaatje of een functiebeschrijving.

De onderzoekers van dit paper hebben een slimme nieuwe tool bedacht, genaamd DeepEST, om deze mysterieuze werknemers te identificeren. Hier is hoe het werkt, vertaald naar alledaags taal:

1. De Drie Sleutels tot het Geheim

Om te raden wat een eiwit doet, kijkt DeepEST niet naar één ding, maar combineert het drie verschillende soorten informatie, net als een detective die drie verschillende aanwijzingen bij elkaar brengt:

• De Bouwtekening (Structuur):
  Stel je voor dat je een gereedschap ziet. Als je ziet dat het een scherpe punt heeft, weet je waarschijnlijk dat het een schroevendraaier is, ook al heb je het label niet gezien. DeepEST kijkt naar de 3D-vorm van het eiwit. De vorm vertelt vaak veel over de functie.
• De Buurt (Genetische Locatie):
  In bacteriën werken werknemers die bij elkaar horen vaak in de buurt van elkaar op het "fabrieksplan" (het DNA). Als je ziet dat een onbekende werknemer precies tussen de "brandblus-apparaten" en de "waterpompen" staat, is de kans groot dat hij ook iets met brandblussen te maken heeft. DeepEST gebruikt deze positie als een sterke aanwijzing.
• De Sfeer (Genexpressie):
  Soms werken bepaalde werknemers alleen hard als er gevaar is (bijvoorbeeld als er hitte is of gifstoffen). Als je ziet dat een onbekende werknemer plotseling heel druk gaat werken als de temperatuur stijgt, weet je dat hij waarschijnlijk een "hitte-schild" bouwt. DeepEST kijkt naar deze gedragspatronen.

2. De Super-Detective (DeepEST)

Vroeger probeerden wetenschappers de functie van eiwitten te raden door alleen naar de "bouwtekening" (de vorm) of alleen naar de "naam" (de DNA-volgorde) te kijken. Dat was vaak niet genoeg, vooral bij bacteriën die heel snel veranderen.

DeepEST is als een meester-detective die al deze aanwijzingen tegelijk combineert.

• Het gebruikt een slim computerprogramma (een "neuraal netwerk") dat is getraind op duizenden bekende voorbeelden.
• Het leert van een oudere, bekende detective (een model genaamd DeepFRI) die al goed is in het lezen van bouwtekeningen. DeepEST "leent" deze kennis en past hem aan voor bacteriën.
• Dan voegt het de informatie over de buurt en de sfeer toe.

3. Waarom is dit zo belangrijk?

Stel je voor dat je een fabriek moet repareren, maar je weet niet welke gereedschappen je nodig hebt.

• Voor de wetenschap: DeepEST helpt ons te begrijpen hoe bacteriën overleven in extreme omstandigheden.
• Voor de geneeskunde: Veel bacteriën zijn ziekteverwekkers. Als we precies weten wat hun "geheime wapens" (eiwitten) doen, kunnen we betere medicijnen ontwerpen om ze uit te schakelen.
• Voor de toekomst: De tool heeft al bijna 7.000 onbekende eiwitten een functie gegeven! Het heeft bijvoorbeeld ontdekt dat bepaalde onbekende eiwitten waarschijnlijk helpen bij het repareren van DNA of het verwerken van RNA.

Samenvattend

DeepEST is als een slimme vertaler die drie verschillende talen (vorm, locatie en gedrag) tegelijk spreekt om een verhaal te vertellen dat voorheen onbegrijpelijk was. Het vult de gaten in onze kennis over bacteriën en helpt ons beter te begrijpen hoe deze microscopische wereld werkt, zodat we ze beter kunnen bestrijden of gebruiken.

Kortom: Het is een krachtige nieuwe bril waarmee we eindelijk kunnen zien wat de "onzichtbare werknemers" in de bacteriële fabriek eigenlijk doen.

Technische samenvatting

Titel: Voorspelling van bacteriële eiwitfunctie via multimodale deep learning

Auteurs: Giulia Muzio, Michael Adamer, Leyden Fernandez, Lukas Miklautz, Karsten Borgwardt, en Kemal Avican.

---

1. Het Probleem

Een groot deel van de bekende bacteriële genen, zelfs in goed bestudeerde organismen, heeft een onbekende functie. In prokaryoten kan dit percentage oplopen tot 60%. Het invullen van deze kenniskloof is cruciaal voor het begrijpen van bacteriële fysiologie, aanpassing aan de omgeving en voor toepassingen in biotechnologie en geneeskunde.

Bestaande methoden voor het annoteren van eiwitfuncties hebben beperkingen:

• Sequentie-gebaseerde methoden (zoals BLAST of DeepGOplus) vertrouwen op sequentie-identiteit, maar bacteriën vertonen een hoge mate van functionele redundantie en genetische diversiteit, waardoor sequentie alleen vaak ontoereikend is.
• Structuur-gebaseerde methoden (zoals DeepFRI) zijn krachtig, maar worden vaak getraind op eukaryote datasets en missen de specifieke context van bacteriële genoomorganisatie.
• Gebrek aan integratie: Er is een gebrek aan methoden die structurele data combineren met organismespecifieke contextuele data (zoals genexpressie en genomische locatie), die specifiek relevant zijn voor bacteriën.

2. Methodologie: DeepEST

De auteurs introduceren DeepEST (Deep Expression STructure), een multimodaal deep learning-framework dat specifiek is ontworpen voor bacteriële eiwitfunctievoorspelling. Het kader integreert drie data-modaliteiten om Gene Ontology (GO)-termen te voorspellen:

A. Architectuur

DeepEST bestaat uit twee hoofdmodules die worden geïntegreerd via een leerbare gewogen lineaire combinatie:

1. Structuurgebaseerde module ($f_s$):

   • Dit is een aangepaste versie van DeepFRI.
   • Het gebruikt eiwitstructuren (voorspeld door AlphaFold2) en aminozuursequenties.
   • De architectuur gebruikt recurrente neurale netwerken (RNN) voor sequentie-features en Graph Convolutional Networks (GCN) op een grafiek van aminozuurcontacten.
   • Transfer Learning: De GCN-lagen worden gefine-tuned op bacteriële data, terwijl de laatste lineaire lagen opnieuw worden getraind met een gemaskerde verliesfunctie. Dit maskeren zorgt ervoor dat de module zich richt op de specifieke GO-termen die beschikbaar zijn in de bacteriële dataset, in plaats van de bredere set van het oorspronkelijke DeepFRI-model.

2. Expressie-locatiemodule ($f_e$):

   • Dit is een Multi-Layer Perceptron (MLP) die volledig ab initio wordt getraind.
   • Input:
     • Genexpressie: Log-fold change waarden onder verschillende stresscondities (uit de PATHOgenex dataset).
     • Genomische locatie: Omdat bacteriële genomen vaak circulair zijn en genen in operons (co-geïnduceerde genenclusters) voorkomen, worden genomische posities gecodeerd in poolcoördinaten. Dit omvat de genetische afstand (sinus/cosinus van hoeken) en of het gen op het hoofdchromosoom of een plasmide ligt.
   • Deze module vangt de functionele context op die voortkomt uit de ruimtelijke organisatie van het bacteriële genoom.

3. Integratie en Voorspelling:

   • De output van beide modules wordt gecombineerd via een lineaire som met leerbare gewichten ($\beta_s$ en $\beta_e$).
   • Een sigmoid-functie levert de uiteindelijke waarschijnlijkheid voor elke GO-term.
   • DAG-consistentie: Tijdens de testfase worden voorspellingen bijgewerkt volgens de hiërarchische structuur van de Gene Ontology (DAG). Als een kind-term wordt voorspeld, wordt ook de ouder-term als positief gemarkeerd.

B. Evaluatie-protocol

• Dataset: 25 diverse menselijke bacteriële pathogenen.
• Data-splits: Om data-lekkage te voorkomen, worden de trainings-, validatie- en testsets gesplitst op basis van eiwitstructuur-identiteit (gebruikmakend van Foldseek, met een lDDT < 70%), in plaats van alleen sequentie-identiteit. Dit is cruciaal omdat structurele gelijkenis vaak sterker correleert met functie dan sequentie.
• Metrieken: Micro-averaged Area Under the Precision-Recall Curve (micro-AUPRC) en Fmax-score, conform de CAFA-challenge standaarden.

3. Belangrijkste Resultaten

• Superieure prestaties: DeepEST presteert consistent beter dan bestaande methoden, waaronder sequentie-gebaseerde tools (BLAST, Diamond, DeepGOCNN, DeepGOplus) en structurele modellen (DeepFRI).
  • Het verbetert de prestaties ten opzichte van DeepFRI, vooral op de term-centric micro-AUPRC, wat aantoont dat expressie- en locatiegegevens waardevolle aanvullende informatie bieden.
• Vergelijking met taalmodellen: DeepEST overtreft ProstT5, een state-of-the-art transformer-based protein language model dat zowel sequentie als structuur combineert. Dit benadrukt het belang van het ontwikkelen van gespecialiseerde modellen voor bacteriën in plaats van het gebruik van algemene modellen.
• Ablatiestudie:
  • Het verwijderen van de transfer learning (TL) leidt tot een daling in prestaties.
  • Het verwijderen van de expressie-locatiemodule ($f_e$) verlaagt de micro-AUPRC, wat aangeeft dat deze data complementair is.
  • Het verwijderen van de structuurmodule ($f_s$) leidt tot een drastische daling, wat bevestigt dat structurele data de belangrijkste bijdrage levert.
• Universele toepasbaarheid: Het model slaagt erin om bijna 7.000 ongekarakteriseerde "hypothetische eiwitten" te annoteren over de 25 pathogenen. De voorspellingen omvatten specifieke biologische processen zoals DNA-reparatie en RNA-metabolisme.
• Robuustheid: Het model bleek robuust bij toepassing op een andere stam (Salmonella enterica LT2) met een onafhankelijke transcriptoomdataset, wat aantoont dat het niet afhankelijk is van een specifiek trainingscompendium, zolang de genomische organisatie vergelijkbaar is.

4. Bijdragen en Significantie

• Multimodale Integratie: DeepEST is een van de eerste frameworks dat succesvol eiwitstructuur, genexpressie en genomische locatie integreert in één deep learning-model voor bacteriën.
• Biologische Relevantie: Door rekening te houden met de unieke organisatie van bacteriële genomen (circulair, operons), maakt het model gebruik van cruciale regulatoire signalen die door andere methoden worden genegeerd.
• Oplossing voor "Dark Matter": Het biedt een krachtig instrument om de functie te voorspellen van de enorme hoeveelheid bacteriële eiwitten die momenteel als "hypothetisch" worden beschouwd, wat experimentele studies kan sturen.
• Transfer Learning voor Bacteriën: De methode demonstreert hoe grote, generieke structurele modellen (zoals DeepFRI) effectief kunnen worden verfijnd voor specifieke prokaryote contexten.

Conclusie:
DeepEST biedt een robuust, organismespecifiek raamwerk dat multimodale data en transfer learning combineert om de nauwkeurigheid van bacteriële eiwitannotatie aanzienlijk te verbeteren. Het overtreft bestaande state-of-the-art methoden en opent nieuwe wegen voor het begrijpen van bacteriële fysiologie en het ontwikkelen van nieuwe therapeutische doelen. De code en data zijn openbaar beschikbaar via GitHub.