Agentic AI platforms for autonomous training and rule induction of human-human and virus-human protein-protein interactions

Resumo Técnico: Plataformas de IA Agêntica para Treinamento Autônomo e Indução de Regras de Interações Proteína-Proteína (PPI)

1. O Problema

A predição de interações proteína-proteína (PPI) é fundamental para a biologia de sistemas, o desenvolvimento de contramedidas médicas e a pesquisa de patógenos. No entanto, o campo enfrenta dois desafios principais:

• Escassez de Dados: Existem conjuntos de dados positivos incompletos e uma falta crítica de rótulos de dados negativos experimentalmente confirmados.
• Opacidade dos Modelos: Modelos de Machine Learning (ML) tradicionais muitas vezes funcionam como "caixas pretas", dificultando a compreensão das regras biológicas subjacentes e aumentando o risco de "vazamento de dados" (data leakage), o que gera métricas de desempenho artificialmente infladas.

2. Metodologia

Os autores utilizaram um agente de codificação (baseado em modelos de linguagem de grande escala, como o ChatGPT) para construir duas plataformas de IA agêntica distintas, operando de forma autônoma:

A. Plataforma de Treinamento Autônomo de Modelos Preditivos:
Composta por cinco agentes especializados que mimetizam o fluxo de trabalho de um cientista de dados humano:

1. Coletor de Dados: Realiza a busca em literatura (Europe PMC) e bancos de dados (IntAct, BioGRID, HVIDB, etc.), sintetizando dados positivos e negativos.
2. Verificador de Dados: Checa alucinações, desequilíbrio de classes e riscos de vazamento de dados.
3. Embedder de Características: Converte sequências de aminoácidos em representações multimodais usando modelos de linguagem de proteína (PLM, como ESM-2) e descritores físico-químicos de autocovariância (Z-ACC e E-ACC).
4. Designer de Modelos: Explora arquiteturas como MLP, Two-Tower, Pair Transformers e Cross-Transformers.
5. Executor: Realiza o treinamento, validação (usando divisão three-way protein-disjoint para evitar vazamento) e interpretação via SHAP (Shapley Additive Explanations).

B. Plataforma de Indução de Regras:
Projetada para substituir a predição de ML por regras biológicas legíveis por humanos. Utiliza quatro agentes (mantendo os três primeiros da plataforma anterior e substituindo o designer e o executor por um Agente de Indução de Regras). Este agente opera sobre sinais escalares (similaridade de cosseno, sobreposição de domínios Pfam, termos de Gene Ontology e contextos de rede) para gerar conjuntos de regras usando estratégias de busca greedy (gananciosa) e regressão logística esparsa.

3. Principais Contribuições

• Orquestração Agêntica Completa: Demonstração de que agentes de IA podem gerenciar todo o ciclo de vida de um projeto de ML, desde o planejamento de dados até a explicação científica.
• Validação Rigorosa: Implementação de protocolos de divisão de dados por proteína (protein-disjoint) para garantir que o modelo realmente aprenda biologia e não apenas decore sequências de proteínas já vistas.
• Interpretabilidade Cruzada: O uso de uma segunda plataforma para induzir regras permite que os resultados do modelo de ML sejam "checados" por regras biológicas explícitas, aumentando a confiança científica.

4. Resultados

• Desempenho Preditivo:
  • Humano-Humano: A arquitetura Two-Tower alcançou 87,3% de acurácia e um MCC (Coeficiente de Correlação de Matthews) de 74,6%.
  • Vírus-Humano: Mesmo com dados mais ruidosos e escassos, alcançou 86,5% de acurácia e um MCC de 73,0%.
• Indução de Regras:
  • Para Humano-Humano, a IA induziu apenas duas regras principais: a compatibilidade de compartimentos celulares e a sobreposição de domínios/famílias de proteínas.
  • Para Vírus-Humano, a IA gerou um conjunto de 60 regras ponderadas, revelando que a interação é dominada pela localização das proteínas humanas e pela proximidade de suas representações no espaço de características (feature space).
• Convergência: As análises SHAP (do modelo de ML) e as regras induzidas (da plataforma de regras) convergiram biologicamente, confirmando que os modelos estavam aprendendo padrões biológicos reais e não artefatos estatísticos.

5. Significância

Este trabalho marca um avanço na IA Explicável (XAI) aplicada à biologia. Ao provar que agentes de IA podem não apenas prever interações com alta precisão, mas também extrair leis biológicas compreensíveis, o estudo abre caminho para a descoberta autônoma de novos mecanismos de doenças, alvos terapêuticos e compreensão de como vírus subvertem as funções celulares humanas.