How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

Deze paper introduceert EnzPlacer, een contrastief leeralgoritme dat enzymfuncties voorspelt door onbekende sequenties nauwkeurig te positioneren binnen de bekende functionele ruimte, zelfs wanneer de exacte vierde EC-nummer ontbreekt in de trainingsdata.

De kern

De Grote Uitdaging: Een Boek zonder Titel

Stel je voor dat je een enorme bibliotheek hebt met miljoenen boeken (eiwitten). De meeste boeken hebben echter geen titel of inhoudsopgave. Wetenschappers willen weten wat deze boeken doen, maar het is te veel werk om elk boek één voor één te lezen en te testen.

In de wereld van enzymen (de "machines" in ons lichaam die chemische reacties laten gebeuren) gebruiken we een systeem genaamd EC-nummers. Dit is als een adres in een grote stad:

• EC1: De stad (bijv. "Oxidoreductases").
• EC2: De wijk (bijv. "Alcohol-oxidatie").
• EC3: De straat (bijv. "Alcohol-dehydrogenase").
• EC4: Het exacte huisnummer (bijv. "Huis 123").

Het probleem is dat we steeds meer nieuwe "boeken" vinden waarvan we het exacte huisnummer (EC4) niet kennen. We hebben ze nog nooit eerder gezien. De oude methoden proberen het huisnummer te raden, maar als ze het huisnummer niet in hun database hebben, raken ze volledig verdwaald. Ze zeggen dan vaak: "Ik weet het niet" of ze geven een heel verkeerd adres.

De Oplossing: EnzPlacer (De Slimme Gids)

De auteurs van dit paper hebben een nieuwe slimme gids bedacht, genaamd EnzPlacer. In plaats van te proberen het exacte huisnummer te raden, probeert EnzPlacer je te vertellen in welke wijk en op welke straat het nieuwe boek hoort.

Zelfs als we het huisnummer niet kennen, is het al enorm nuttig om te weten: "Ah, dit boek hoort bij de 'Alcohol-wijk', dus het heeft waarschijnlijk te maken met het verwerken van alcohol." Dit helpt onderzoekers om hun experimenten veel gerichter te plannen.

Hoe werkt het? (De Creatieve Analogie)

Stel je voor dat je een enorme dansvloer hebt waar elke danser een enzym is.

• De oude methode (BLAST): Kijkt alleen naar hoe veel een danser op een andere danser lijkt. Als ze hetzelfde T-shirt dragen, denken ze dat ze vrienden zijn. Maar soms dragen mensen met heel verschillende beroepen hetzelfde T-shirt. Als de danser een nieuw T-shirt heeft (een nieuw enzym), raakt de oude methode in de war.
• EnzPlacer (Contrastief Leren): Dit is als een slimme dansmeester die een holografische kaart maakt.
  1. De Basis: De dansmeester gebruikt een superkrachtige bril (een AI-model genaamd ESM) die al weet hoe eiwitten eruitzien.
  2. De Hiërarchie: De dansmeester leert de dansers niet alleen om bij hun eigen groep te staan, maar ook om bij hun familie te staan.
     • Als je danser uit de "Oxidoreductase-stad" komt, moet hij dicht bij alle andere stadsbewoners staan.
     • Als je danser uit de "Alcohol-wijk" komt, moet hij dicht bij die wijk staan, zelfs als hij een heel nieuw dansstijl (EC4) heeft die nog nooit is gezien.
  3. Het Trucje: De dansmeester gebruikt een speciale techniek (HiNCE) die zorgt dat dansers die op dezelfde straat wonen (dezelfde eerste drie cijfers van het EC-nummer), dichter bij elkaar blijven, zelfs als ze op verschillende huizen (het vierde cijfer) wonen.

Wat hebben ze ontdekt?

Ze hebben dit getest met duizenden nieuwe enzymen waarvan het exacte EC4-nummer niet in de trainingsdata zat.

1. Bij bekende enzymen: Als het EC4-nummer al bekend was, deden alle methoden het goed.
2. Bij onbekende enzymen (de echte test): Hier faalden de oude methoden vaak. Ze probeerden het exacte huisnummer te raden en gaven de verkeerde straat op.
3. EnzPlacer wint: EnzPlacer slaagde erin om de nieuwe enzymen veel beter in de juiste wijk en straat te plaatsen.
   • Voorbeeld: Er was een enzym dat eigenlijk een "fosfodiesterase" is (een soort schaar voor DNA/RNA). De oude methoden dachten dat het een "kinase" was (een soort aansteker). EnzPlacer zag echter: "Nee, dit hoort bij de schaar-familie," en gaf het juiste EC3-adres, zelfs zonder het exacte huisnummer te kennen.

Waarom is dit belangrijk?

Stel je voor dat je een nieuwe ziekte wilt bestrijden en je vindt een nieuw eiwit dat misschien helpt.

• Zonder EnzPlacer: Je moet duizenden verschillende tests doen om te zien wat het doet.
• Met EnzPlacer: De AI zegt: "Dit eiwit lijkt op de familie die vetten afbreekt." Nu hoef je alleen maar tests te doen voor vetten. Je bespaart tijd, geld en energie.

Conclusie

Deze paper laat zien dat we niet hoeven te wachten tot we elk enzym exact kunnen benoemen. Met EnzPlacer kunnen we nieuwe enzymen al snel en accuraat in de juiste "familie" plaatsen. Het is alsof we een nieuwe kaart van een onbekend land hebben getekend: we weten misschien nog niet de naam van elk dorpje, maar we weten precies in welk landschap het ligt, en dat is een enorme stap vooruit voor de wetenschap.

Technische samenvatting

Probleemstelling

Het voorspellen van enzymfuncties op basis van aminozuursequentie blijft een onopgelost probleem in de levenswetenschappen. Hoewel experimentele annotaties nauwkeurig zijn, zijn ze tijdrovend en zijn minder dan 0,1% van de beschikbare eiwitsequenties zo geannoteerd. Met de explosie van genomische data worden we overspoeld met potentiële enzymsequenties die nog niet biochemisch zijn gekarakteriseerd.

Het centrale probleem dat dit artikel adresseert, is de "ongezien" (unseen) EC-classificatie:

• Traditionele modellen proberen een exacte EC-nummer (4e niveau, bijv. 2.1.3.4) te voorspellen.
• In realistische scenario's komt het echter vaak voor dat een enzym een functie heeft die nog niet in de trainingsdata voorkomt; er bestaat dus geen exact label voor de 4e positie.
• Het doel is niet om een niet-bestaand label te raden, maar om het enzym zo nauwkeurig mogelijk te plaatsen in de bekende functieruimte (bijv. het voorspellen van de 1e, 2e en 3e EC-niveaus), zelfs als de precieze 4e EC-klasse onbekend is. Dit helpt experimentatoren om het zoekgebied voor verdere karakterisering te verkleinen.

Methodologie: EnzPlacer en HiNCE

De auteurs presenteren EnzPlacer, een model dat gebruikmaakt van contrastief leren om een hiërarchisch consistente inbeddingsruimte te creëren.

1. Data-voorbereiding en Split-strategie:

• Dataset: 183.613 gezuiverde enzymrecords uit de ExPASy ENZYME database.
• Unseen Split (Out-of-Distribution): De testset bevat EC4-classes die niet in de trainingsset voorkomen, maar wel binnen bekende EC3-families vallen. Dit simuleert het scenario van een nieuw enzym binnen een bekende reactieklasse maar met een onbekende specifieke substraat.
• Zichtbare Split (In-Distribution): Een traditionele split waarbij testlabels ook in de training voorkomen, gebruikt als referentie.
• Filtering: Er werden subsets gegenereerd met lage sequentie-identiteit (<50%, <30%, <10%) om te testen op generalisatie zonder directe homologie.

2. Model Architectuur:

• Input: Vooraf getrainde embeddings van eiwitsequenties met ESM-1b (een taalmodel voor eiwitten). Deze embeddings worden als vast (frozen) beschouwd.
• Projectiehoofd: Een lichtgewicht Multi-Layer Perceptron (MLP) projecteert de ESM-embeddings naar een nieuwe ruimte $z(x)$.
• Verliesfunctie (HiNCE): De kern van de innovatie is de Hierarchical Exemplar Contrastive Objective (HiNCE). Deze bestaat uit twee delen:
  • Supervised Contrastive Loss (Linst): Trekt eiwitten met hetzelfde EC-label dichter bij elkaar en duwt verschillende labels uit elkaar.
  • Exemplar Loss (Lexem): Dit is het unieke onderdeel. Het introduceert centroïden voor elke EC-voorvoegsel-niveau (EC1, EC2, EC3, EC4). Het verlies straalt de embedding van een eiwit naar de centroïde van zijn eigen EC1-, EC2-, EC3- en EC4-prefix.
  • Doel: Zelfs als twee eiwitten een verschillende EC4 hebben, blijven ze dicht bij elkaar in de inbeddingsruimte als ze dezelfde EC3 (of EC2/EC1) delen. Dit behoudt de hiërarchische structuur.

3. Training en Inferentie:

• Hard Negatives: Het model focust op "moeilijke negatieven" (eiwitten die qua inbedding dicht bij elkaar liggen maar een ander label hebben) om de scheiding te verbeteren.
• Inferentie: Bij het testen wordt een query-eiwit ingebed en krijgt het het EC-label van de dichtstbijzijnde buur in de geleerde ruimte (k-NN benadering).

Belangrijkste Bijdragen

1. Nieuwe Evaluatie-protocol: Een strikte evaluatiemethode voor "ongezien" EC4, waarbij test-EC4-classes volledig afwezig zijn in de training, maar binnen bekende hogere niveaus vallen.
2. HiNCE Loss: Een nieuwe contrastieve verliesfunctie die expliciet de hiërarchische structuur van de EC-ontologie (Directed Acyclic Graph) integreert in het leerproces, in plaats van EC-classes als vlakke labels te behandelen.
3. Robuustheid bij lage homologie: Het aantonen dat leermodellen die hiërarchische structuur gebruiken, beter presteren dan homologie-overdracht (BLAST) wanneer sequentie-identiteit laag is (<10%).

Resultaten

De resultaten tonen aan dat het voorspellen van ongezien EC4 uiterst moeilijk is, maar dat EnzPlacer de beste prestaties levert:

• Unseen EC4 Scenario:

  • EnzPlacer behaalde de hoogste nauwkeurigheid en macro-F1-scores op zowel EC2 als EC3 niveaus vergeleken met baselines zoals CLEAN, GloEC, ProteInfer en BLASTp.
  • Bij EC3 (sub-subclass) behaalde EnzPlacer een nauwkeurigheid van 0,3563 en een macro-F1 van 0,1678 (op de experimenteel gevalideerde set). Hoewel dit laag lijkt, is het significant beter dan de concurrenten.
  • Lage Sequentie-Identiteit: Wanneer sequenties met hoge homologie (<10% identiteit) worden gefilterd, stort de prestatie van BLASTp in. EnzPlacer daalt ook, maar behoudt een aanzienlijke voorsprong, wat aantoont dat het model functionele signalen leert die verder gaan dan directe sequentie-overeenkomst.
  • Casestudy: EnzPlacer kon correct voorspellen dat een eiwit tot de fosfodiesterase-familie (EC 3.1.4) behoorde, terwijl BLAST en andere modellen het ten onrechte in een kinase- of transferase-familie plaatsten.

• Zichtbare EC4 Scenario (In-Distribution):

  • In het traditionele scenario (waar testlabels in de training zitten) presteerde EnzPlacer ook het beste (90,98% nauwkeurigheid), maar hier presteerden alle methoden, inclusief BLAST, al zeer goed. Dit benadrukt dat het echte uitdaging in het "ongezien" scenario ligt.

• Visualisatie (t-SNE):

  • Visualisaties tonen dat EnzPlacer de inbeddingsruimte herschikt zodat eiwitten binnen dezelfde EC3-familie (bijv. EC 3.1.4) dichter bij elkaar clusteren dan in de ruwe ESM-embeddings, zelfs als ze verschillende EC4-nummers hebben.

Significantie en Toekomstperspectief

• Biologische Relevantie: Het nauwkeurig plaatsen van een enzym op EC2 of EC3 niveau is biologisch zeer waardevol. Het definieert de kernreactiechemie (bijv. "het is een fosfodiesterase") en elimineert onnodige experimentele zoektochten naar verkeerde reactietypes.
• Over de grenzen van Homologie: Het onderzoek toont aan dat bij nieuwe enzymen (met weinig homologie) traditionele methoden zoals BLAST falen. Geleerde representatieruimtes met hiërarchische bewustzijn zijn noodzakelijk om functionele relaties te behouden.
• Beperkingen: Het model is momenteel beperkt tot enkel-label enzymen en gebruikt alleen sequentie-informatie. Toekomstig werk moet zich richten op multifunctionele enzymen, het integreren van structurele data, en het bieden van onzekerheidsmetingen voor "open-set" gebruik.

Kortom, EnzPlacer biedt een robuuste oplossing voor het probleem van het karakteriseren van nieuwe enzymen door de focus te verschuiven van het raden van een exacte, niet-bestaande label naar het nauwkeurig positioneren binnen een bekende, hiërarchisch gestructureerde functieruimte.