STAR-GO: Improving Protein Function Prediction by Learning to Hierarchically Integrate Ontology-Informed Semantic Embeddings

Título: STAR-GO: Melhorando a Predição de Função de Proteínas Aprendendo a Integrar Hierarquicamente Representações Semânticas Informadas por Ontologia

1. O Problema

A predição precisa da função de proteínas é fundamental para a descoberta biológica e terapêutica, mas a anotação experimental não consegue acompanhar o crescimento explosivo de dados de sequências de proteínas (apenas <1% das 190 milhões de sequências no UniProt têm anotações funcionais experimentais).

• Limitação Atual: Os métodos computacionais existentes frequentemente tratam os termos da Ontologia Genética (GO) como rótulos independentes, ignorando sua natureza de Grafo Acíclico Direcionado (DAG) e suas relações hierárquicas.
• Desafio do "Zero-Shot": Modelos treinados em versões antigas da ontologia tornam-se obsoletos quando novos termos são introduzidos. A maioria dos modelos falha em generalizar para termos de GO nunca vistos durante o treinamento (predição zero-shot), pois não conseguem integrar adequadamente a estrutura da ontologia com as definições semânticas dos termos.

2. Metodologia: STAR-GO

O STAR-GO é uma arquitetura baseada em Transformers projetada para modelar conjuntamente as características semânticas e estruturais dos termos GO. O framework consiste em dois módulos principais:

• Módulo de Embedding de GO (Integração Semântica e Estrutural):

  • Entrada Semântica: Utiliza um codificador de frases (SBERT-BioBERT) para obter embeddings textuais das definições dos termos GO.
  • Regularização Estrutural: Esses embeddings textuais são refinados por um autoencoder treinado com supervisão multi-tarefa. O autoencoder aprende a recuperar:
    1. O conjunto de termos ancestrais (hierarquia).
    2. A sub-ontologia (MF, BP ou CC).
    3. A identidade do termo.
  • Vantagem: Diferente de métodos anteriores (como anc2Vec) que usam vetores one-hot limitados, o STAR-GO preserva a similaridade semântica (ex: "ligação a ATP" e "hidrólise de ATP" são semanticamente próximas, mesmo que distantes na estrutura do grafo) enquanto força a estrutura hierárquica.

• Arquitetura Encoder-Decoder Transformer:

  • Encoder: Processa as representações de resíduos da sequência de proteína (extraídas de um modelo de linguagem pré-treinado, ProtT5) usando atenção auto-referencial (self-attention).
  • Decoder: Processa os embeddings de GO em uma ordem topológica (dos termos gerais para os específicos).
    • Utiliza atenção causal (causal self-attention) para garantir que um termo só "veja" seus ancestrais na hierarquia, propagando informações de níveis gerais para específicos.
    • Utiliza atenção cruzada (cross-attention) para alinhar as representações dos termos GO com os resíduos relevantes da proteína.

3. Principais Contribuições

1. Integração Conjunta: É o primeiro framework a otimizar conjuntamente embeddings semânticos (baseados em texto) e estruturais (baseados em grafo) dentro de um mecanismo de decodificação hierárquica.
2. Generalização Zero-Shot: O modelo consegue prever funções para termos GO que nunca foram vistos durante o treinamento, pois os embeddings podem ser gerados diretamente a partir das definições textuais dos novos termos, sem necessidade de retreinamento do modelo.
3. Mecanismo de Decodificação Hierárquica: A ordenação topológica no decoder atua como um viés indutivo, capturando dependências funcionais entre níveis da ontologia (ancestrais e descendentes).
4. Interpretabilidade: O uso de atenção cruzada permite identificar quais resíduos da proteína são relevantes para funções específicas, mesmo em cenários zero-shot.

4. Resultados

O modelo foi avaliado em três sub-ontologias: Função Molecular (MF), Processo Biológico (BP) e Componente Celular (CC).

• Desempenho Geral: O STAR-GO alcançou desempenho competitivo com o estado da arte (superando ou empatando com DeepGO-SE, PFresGO e TransFew), destacando-se especialmente nas métricas AUC (Área sob a Curva ROC) em todas as ontologias, indicando forte capacidade discriminatória em nível de termo.
• Desempenho Zero-Shot: Em testes com 16 termos GO excluídos do treinamento:
  • O modelo STAR-GO (combinação de texto e estrutura) superou consistentemente os baselines (DeepGOZero, DeepGO-SE, TransFew) na maioria dos termos.
  • A variante baseada apenas em texto (START) mostrou-se superior para termos de Função Molecular e Processo Biológico, enquanto a variante estrutural (STARS) foi forte em alguns casos específicos, mas falhou em generalizar bem para MF.
  • A combinação (STARST) ofereceu o melhor equilíbrio e estabilidade.
• Ablação: Estudos demonstraram que a remoção da ordem hierárquica ou o uso de embeddings pré-treinados (em vez de aprender do zero) degradou significativamente o desempenho, confirmando a importância da integração de conhecimento prévio e da estrutura.
• Interpretabilidade: Em um estudo de caso com fatores de transcrição de ligação ao DNA (termos não vistos no treino), o modelo atribuiu alta atenção aos resíduos de contato com DNA validados experimentalmente (BioLiP), demonstrando que aprendeu mapeamentos biológicos generalizáveis.

5. Significado e Impacto

O STAR-GO representa um avanço significativo na predição de função de proteínas ao resolver o problema da obsolescência dos modelos frente à evolução contínua da Ontologia Genética.

• Adaptabilidade: Por depender apenas das definições textuais para gerar embeddings de novos termos, o modelo pode ser aplicado a futuras versões do GO sem retreinamento, tornando-o uma ferramenta robusta para descoberta biológica em larga escala.
• Sinergia de Modalidades: O trabalho demonstra que a combinação de semântica textual (flexibilidade e similaridade funcional) e estrutura de ontologia (relações lógicas e hierárquicas) é superior ao uso de qualquer uma das modalidades isoladamente.
• Aplicabilidade: O código e os modelos pré-treinados estão disponíveis publicamente, facilitando a adoção pela comunidade de bioinformática.