PKProbDesign: RNA inverse folding including pseudoknots by optimizing thermodynamic folding probability

Technische Samenvatting van PKProbDesign

Probleemstelling
RNA inverse folding omvat het ontwerpen van RNA-sequenties die vouwen naar gespecificeerde doelwit-secundaire structuren. Hoewel dit essentieel is voor functioneel RNA-engineering en synthetische biologie, is deze taak bijzonder uitdagend voor doelwitten die pseudoknots bevatten. Standaard thermodynamische vouwingsmodellen gaan uit van geneste structuren, terwijl pseudoknots deze aanname schenden, wat exacte vouwingsvoorspelling voor algemene gevallen computationeel onhaalbaar maakt (NP-hard). Bestaande methoden voor inverse folding voor pseudoknot-doelwitten (bijv. antaRNA, DesiRNA, MODENA) vertrouwen doorgaans op multi-objective zoekstrategieën die optimaliseren voor overeenstemming met een voorspelde structuur of gebruikmaken van structure-predictor-gebaseerde doelstellingen. Er blijft een aanzienlijke kloof bestaan in het direct optimaliseren van de thermodynamische vouwingskans van een specifiek pseudoknot-doelwit binnen een pseudoknot-bewust ensemble. Een dergelijke aanpak vereist een evaluator die in staat is om doelwit-specifieke vouwingskansen toe te wijzen om te dienen als een direct optimalisatie-signaal.

Methodologie
De auteurs presenteren PKProbDesign, een sampling-gebaseerd inverse-folding framework dat specifiek is ontwor respect voor density-2 pseudoknot-doelwitten. Deze klasse van structuren, gedefinieerd door HFold en CParty, staat toe dat kruisende interacties worden georganiseerd in "banden", zodanig dat geen enkele sequentiepositie door meer dan twee banden wordt overspannen.

De methodologie verloopt via drie hoofdfasen:

1. Doelwit-decompositie:
   Elk density-2 doelwitstructuur $R$ wordt gedecomposeerd in twee disjuncte, pseudoknot-vrije componenten: een scaffold ($G$) en een extensiecomponent ($G'$), zodanig dat $R = G \cup G'$. Dit wordt bereikt via een gul algoritme dat baseparen sorteert op toenemende span en niet-kruisende paren toewijst aan de scaffold totdat de resterende paren de extensie vormen.

2. Probabilistische Doelstellingsformulering:
   In plaats van te optimaliseren voor de minimum vrije energie (MFE) structuur-overeenstemming, optimaliseert PKProbDesign een pseudo-gezamenlijke vouwingskans doelstelling. Voor een sequentie $S$ is de score gedefinieerd als:
   $$\tilde{P}_{joint}(S; R, G) = P(G | S) \cdot P(G' | G, S)$$

   • $P(G | S)$: De vouwingskans van de scaffold, geëvalueerd met LinearPartition.
   • $P(G' | G, S)$: De conditionele vouwingskans van de extensiecomponent gegeven de vaste scaffold. Dit wordt geëvalueerd met een CParty-consistente aanpak, die de partitiefunctie berekent over extensie-structuren geconditioneerd op de scaffold, wat consistentie met de hiërarchische vouwingshypothese waarborgt.
     Het optimalisatietarget is de verwachte negatieve logaritme van deze pseudo-gezamenlijke waarschijnlijkheid: $J(\theta) = E_{S \sim p_\theta}[-\log \tilde{P}_{joint}(S; R, G)]$.

3. Sampling-gebaseerde Optimalisatie:
   Volgend de aanpak van SamplingDesign, optimaliseert de methode een waarschijnlijkheidsverdeling $p_\theta(S)$ over de geldige sequentieruimte in plaats van een enkele sequentie.

   • Representatie: Ongepaarde posities worden gemodelleerd als 4-weg categorische variabelen ({A, C, G, U}), terwijl baseparen worden gemodelleerd als 6-weg gezamenlijke categorische variabelen over canonieke paren ({AU, UA, GC, CG, GU, UG}). Dit zorgt ervoor dat gesamplede sequenties inherent voldoen aan de paaringsrestricties.
   • Gradiëntschatting: De gradiënt van de verwachte score wordt benaderd met behulp van Monte Carlo sampling. In elke iteratie worden $K$ sequenties gesampled uit de huidige verdeling, gescoord, en gebruikt om de gradiënt $\nabla_\theta J(\theta)$ te schatten.
   • Update: De distributieparameters worden bijgewerkt met de Adam-optimizer. De uiteindelijke output is de hoogst scorende sequentie die is gesampled uit de geoptimaliseerde verdeling.

Belangrijkste Bijdragen

• Directe Waarschijnlijkheidsoptimalisatie voor Pseudoknots: PKProbDesign is het eerste framework dat direct een thermodynamische vouwingskans-doelstelling optimaliseert voor pseudoknot-doelwitten, waarmee het verder gaat dan louter structure-predictie overeenstemming.
• Conditionele Ensemble Evaluatie: Het introduceert een scoremechanisme dat de scaffold vouwingskans combineert met een CParty-consistente conditionele waarschijnlijkheid voor de extensiecomponent, wat waarschijnlijkheid-gebaseerd ontwerp binnen de density-2 klasse mogelijk maakt.
• Integratie van HFold/CParty Semantiek: De methode maakt gebruik van de hiërarchische vouwingssemantiek van HFold en de partitiefunctie-mogelijkheden van CParty om sequenties te evalueren in een pseudoknot-bewust ensemble.

Resultaten
De methode werd geëvalueerd op een benchmark van 354 density-2 doelwitten uit PseudoBase++ (sequentielengte $\le$ 100 nt).

• Prestaties in Vouwingskans: PKProbDesign behaalde de hoogste pseudo-gezamenlijke vouwingskans op 221 van de 354 doelwitten. Ter vergelijking: DesiRNA behaalde de hoogste waarschijnlijkheid op 117 doelwitten, en MODENA op 16 doelwitten.
• Componentanalyse: Hoewel DesiRNA sterkere prestaties liet zien op de scaffold-term ($P(G|S)$), demonstreerde PKProbDesign superieure prestaties op de conditionele extensie-term ($P(G'|G,S)$) en de gecombineerde score. Een gepaard Wilcoxon signed-rank test bevestigde de algehele superioriteit van PKProbDesign ten opzichte van DesiRNA ($p = 1.96 \times 10^{-2}$).
• Structuurvoorspelling: Wanneer geëvalueerd met genormaliseerde base-pair Hamming afstand onder drie verschillende voorspellingsprotocollen (Viterbi op doelwit-scaffold, Two-stage MFE, en HotKnot hotspot-geleide Viterbi), varieerde de rangschikking van de methoden. Opvallend genoeg presteerde MODENA sterk onder het hotspot-geleide protocol, wat suggereert dat een hoge vouwingskans niet altijd een beste structure-predictie overeenstemming garandeert onder alle protocollen, en vice versa.

Significantie en Claims
Het artikel claimt dat PKProbDesign aantoont dat pseudoknot inverse folding effectief kan worden geformuleerd rondom doelwit vouwingskansen, in plaats van uitsluitend te vertrouwen op structure-predictie overeenstemming. Door doelwitten te decomponeren in scaffolds en extensies en gebruik te maken van conditionele ensemble-evaluatie, biedt de methode een praktisch, waarschijnlijkheid-gebaseerd framework voor het ontwerpen van sequenties voor density-2 pseudoknot-doelwitten.

De auteurs benadrukken dat hun doelstelling dient als een primaire metriek voor de belofte van een kandidaat, terwijl structuurvoorspelling moet worden behandeld als een secundair, complementair criterium. Zij erkennen beperkingen, waaronder het gebruik van een gul decompositieproces (dat de exacte gezamenlijke waarschijnlijkheid benadert) en de restrictie tot de density-2 klasse, waarbij zij opmerken dat bredere structurele klassen nodig kunnen zijn voor complexere RNA's. Het werk suggereert dat het scheiden van de evaluatie van de vouwingskans van het gedrag van de structuurvoorspelling een duidelijker kader biedt voor toekomstige studies naar pseudoknot inverse folding.