Characterization of selective pressures acting on protein sites with Deep Learning

Dit onderzoek toont aan dat een aangepaste lineaire transformer-neurale netwerkarchitectuur selectiedrukken op eiwitsites snel en nauwkeurig kan voorspellen, mits het model is getraind op datasets die representatief zijn voor de empirische data, hoewel de prestaties afnemen bij minder vergelijkbare datasets.

De kern

Stel je voor dat eiwitten de machines zijn die ons lichaam laten werken, en dat de bouwtekening voor deze machines geschreven staat in onze DNA. Maar net zoals een oude machine kan slijten of juist verbeterd wordt door tijd en gebruik, verandert ook dit bouwplan langzaam. Soms veranderen bepaalde letters in de code heel snel, en soms blijven ze eeuwenlang precies hetzelfde.

Waarom? Omdat er druk op staat.

In de wetenschap noemen we dit "selectiedruk". Als een bepaalde letter in het bouwplan cruciaal is voor de werking van de machine, mag die niet veranderen (dat is een sterke druk). Als een letter juist helpt om de machine aan te passen aan een nieuwe omgeving, mag die wel veranderen.

Het oude probleem: De dure rekenmachine
Vroeger wilden biologen weten welke letters belangrijk waren. Ze gebruikten daarvoor ingewikkelde wiskundige formules (zoals een super-rekenmachine) om te kijken naar de familiegeschiedenis van deze eiwitten. Het probleem? Dit was extreem langzaam en duur. Het was alsof je elke keer als je een nieuw woord wilde vertalen, eerst een heel jaar lang een boekje doorbladerde om de regels te checken.

De nieuwe oplossing: De slimme AI-robot
De auteurs van dit paper hebben een slimme oplossing bedacht: een kunstmatige intelligentie (AI), specifiek een type dat "Linear Transformer" heet.

Stel je deze AI voor als een super-snel leerling die duizenden voorbeelden van bouwtekeningen heeft gezien.

1. Oefenen: De wetenschappers hebben de AI eerst laten oefenen met duizenden nep-voorbeelden (simulaties) die ze zelf hebben gemaakt. De AI leerde hierin patronen te herkennen: "Als deze letter vaak verandert, is dat goed. Als die letter nooit verandert, is dat slecht."
2. De test: Vervolgens lieten ze de AI werken op echte data.

Wat ontdekten ze?
De resultaten waren fascinerend, maar met een belangrijke nuance:

• De winnaar: Als de AI te maken kreeg met bouwtekeningen die leken op de oefenmateriaal, was ze onverslaanbaar. Ze was niet alleen sneller (een fractie van de tijd van de oude methode), maar ook nog eens nauwkeuriger. Het was alsof een Formule 1-auto een race wint op een circuit waar hij voor is gebouwd.
• De valkuil: Maar als ze de AI een heel ander type bouwtekening gaven (iets dat leek op een fiets, terwijl ze alleen auto's hadden geoefend), maakte ze meer fouten. De AI was te gespecialiseerd op haar oefenmateriaal.

De grote les
De boodschap van dit onderzoek is als volgt: AI is een krachtig gereedschap dat de dure, langzame methoden van vroeger kan vervangen. Het kan in een flits zeggen welke delen van een eiwit belangrijk zijn.

Maar er is één "maar": Je moet de AI goed trainen. Je moet haar oefenen met voorbeelden die echt lijken op de echte wereld. Als je haar alleen leert met nep-data die niet klopt, zal ze in de echte wereld falen.

Kortom: We hebben nu een snelle, goedkope robot die het werk van de oude, trage rekenmachines kan doen, zolang we hem maar eerst de juiste lessen hebben gegeven.

Technische samenvatting

Probleemstelling

In het vakgebied van moleculaire evolutie is het van cruciaal belang om de selectiedrukken te identificeren die op specifieke locaties (sites) van een eiwit werken, om zo de functie van het eiwit beter te begrijpen. De huidige standaardmethodiek hiervoor maakt gebruik van likelihood-gebaseerde benaderingen die worden toegepast op codonsequenties binnen een fylogenetische context. Hoewel deze methoden nauwkeurig zijn, zijn ze rekenkundig zeer kostbaar en tijdrovend, wat een beperking vormt voor de analyse van grote datasets.

Methodologie

De auteurs hebben een nieuwe aanpak ontwikkeld die gebruikmaakt van Deep Learning om de rekenkosten te verlagen:

• Architectuur: Ze passen een lineaire transformer-neurale netwerkarchitectuur toe. Deze architectuur staat erom bekend dat deze nauwkeurige paarsgewijze afstanden kan reconstrueren uit sequentie-uitlijningen.
• Aanpassing: Het model is specifiek getraind om selectiedrukken op individuele aminozuurlocaties te identificeren, in plaats van alleen afstandsschattingen.
• Training en Validatie: Er zijn verschillende versies van de architectuur ontworpen en getraind op gesimuleerde data. De prestaties zijn getest en gevalideerd door vergelijking met bestaande methoden.

Belangrijkste Bijdragen

1. Innovatieve Toepassing: Het is de eerste keer dat een lineaire transformer-architectuur wordt gebruikt voor het kwantificeren van selectiedrukken op eiwitlocaties, in plaats van voor afstandsberekening.
2. Efficiëntie: De methode biedt een alternatief voor traditionele likelihood-methoden dat operationeel is op een fractie van de rekenkosten.
3. Empirische Validatie: De auteurs hebben een uitgebreide vergelijking uitgevoerd tussen hun beste model en state-of-the-art likelihood-gebaseerde methoden om de bruikbaarheid in de praktijk te testen.

Resultaten

De resultaten tonen een duidelijk beeld van de prestaties en beperkingen van het model:

• Overtreffende Prestaties (In-distribution): Wanneer het model wordt toegepast op data die sterk lijken op de trainingsdata (gesimuleerde datasets), presteert het model beter dan de traditionele state-of-the-art likelihood-methoden.
• Prestatieverlies (Out-of-distribution): Wanneer het model wordt toegepast op datasets die afwijken van de trainingsdata, presteert het minder goed dan de traditionele methoden. Dit benadrukt de afhankelijkheid van de kwaliteit en representativiteit van de trainingsdata.
• Rekenkosten: In alle geteste scenario's opereert de deep learning-aanpak aanzienlijk sneller en met minder rekenkracht dan de likelihood-gebaseerde tegenhangers.

Betekenis en Conclusie

De studie concludeert dat neurale netwerkarchitecturen, zoals de geteste lineaire transformer, zeer gunstig kunnen concurreren met gevestigde statistische methoden voor het karakteriseren van selectiedrukken in coderende sequenties. Het grootste voordeel is de enorme toename in rekenefficiëntie.

Echter, een cruciale voorwaarde voor succes is dat het model moet worden getraind op datasets die representatief zijn voor empirische data. Als de trainingsdata niet goed overeenkomen met de werkelijke biologische realiteit, neemt de nauwkeurigheid af. Dit paper markeert dus een belangrijke stap richting snellere, datagedreven evolutiebiologie, mits de training zorgvuldig wordt afgestemd op de specifieke biologische vraagstukken.