Resumo Técnico: PRIME (Representação de Proteínas via Hierarquias Equivariantes Multiescala Informadas pela Física)

Declaração do Problema

As proteínas são sistemas físicos inerentemente multiescala, onde propriedades funcionais emergem de uma organização estrutural coordenada que abrange desde interações atômicas até a topologia global do enovelamento. Os métodos existentes de aprendizado de representação de proteínas geralmente operam em uma única resolução estrutural (por exemplo, sequência, atômica ou de superfície) ou tratam diferentes fontes estruturais como modalidades paralelas integradas por alinhamento latente ou fusão em estágio tardio. Essas abordagens falham em modelar explicitamente as relações hierárquicas entre as escalas estruturais (por exemplo, como átomos formam resíduos, que formam estruturas secundárias, que formam o enovelamento global). Consequentemente, elas tratam resoluções espaciais distintas como visões semânticas independentes, em vez de níveis aninhados dentro de uma hierarquia física compartilhada, limitando sua capacidade de capturar interações que emergem através das resoluções.

Metodologia

Os autores introduzem o PRIME, um framework unificado que modela proteínas como uma família aninhada de cinco grafos estruturais fundamentados na física. O framework opera através de duas etapas principais: construção de grafo hierárquico e passagem de mensagens multiescala.

1. Construção de Grafo Hierárquico

O PRIME define uma hierarquia $\mathcal{G} = \{G^{(0)}, G^{(1)}, G^{(2)}, G^{(3)}, G^{(4)}\}$ abrangendo cinco níveis, da resolução fina à grossa:

• Nível 0 (Superfície): Nós são faces triangulares da malha de superfície molecular.
• Nível 1 (Átomo): Nós são átomos pesados.
• Nível 2 (Resíduo): Nós são resíduos de aminoácidos.
• Nível 3 (Estrutura Secundária): Nós são elementos de estrutura secundária (SSEs: hélices, fitas, loops).
• Nível 4 (Proteína): Um único nó representando a proteína inteira.

Conectividade e Atribuição:

• Arestas: O nível mais fino ($G^{(0)}$) utiliza $k$-vizinhos mais próximos ($k=8$) nos centróides das faces. Níveis mais grossos derivam arestas deterministicamente do nível mais fino por meio de matrizes de partição $\Pi^{(\ell)}$, onde $A^{(\ell)} = (\Pi^{(\ell)})^\top A^{(\ell-1)} \Pi^{(\ell)}$. Isso resulta em matrizes de adjacência ponderadas que refletem o número de conexões em escala fina entre unidades grossas, codificando proximidade espacial sem construção explícita de arestas baseada em coordenadas em cada nível.
• Mapas de Atribuição: As transições entre níveis são governadas por operadores de atribuição determinísticos e informados pela física $\pi^{(\ell)}$, derivados de princípios bioquímicos (por exemplo, distância euclidiana para superfície-para-átomo, ligação covalente para átomo-para-resíduo, algoritmo DSSP para resíduo-para-SSE).
• Características dos Nós:
  • Superfície: Descritores geométricos artesanais (área, distância do centróide) + incorporações de uma Rede Neural de Malha Equivariante pré-treinada (EMNN).
  • Átomo: Tipo de elemento/membro do backbone + incorporações de uma Rede Neural de Grafo Equivariante pré-treinada (EGNN).
  • Resíduo: Identidade do aminoácido, ângulos do backbone, curvatura e ângulos torsionais.
  • SSE: Codificação one-hot do tipo e comprimento normalizado.
  • Proteína: Representação global de um modelo ESM-2 pré-treinado.

2. Passagem de Mensagens Multiescala

O PRIME empilha uma pilha de $N$ camadas hierárquicas para propagar informações bidirecionalmente. Cada camada realiza três operações sequenciais:

1. Passagem de Mensagens Intra-nível: Refina representações em cada nível independentemente usando convoluções em grafos com normalização pré-camada, conexões residuais e redes feedforward.
2. Agregação Bottom-Up: Propaga detalhes de granularidade fina para cima, agregando representações do nível $\ell-1$ para $\ell$ usando $(\Pi^{(\ell)})^\top$, seguido por fusão com portão (gated fusion).
3. Refinamento Contextual Top-Down: Difunde contexto de nível grosso para baixo, do nível $\ell$ para $\ell-1$, usando $\Pi^{(\ell)}$, seguido por fusão com portão simétrica.

O mecanismo de fusão com portão incorpora seletivamente o contexto $c$ na representação atual $z$ por meio de um portão aprendível $g = \sigma(W_g [z \| c])$. A representação final é lida a partir de um nível designado $\ell^*$ (tipicamente o nível de resíduo) para tarefas subsequentes. O framework é projetado para ser invariante SE(3) de ponta a ponta, pois todas as características de entrada e operações são livres de coordenadas ou utilizam incorporações escalares invariantes de codificadores equivariantes.

Contribuições Principais

• Framework Unificado: O PRIME propõe um único framework que modela proteínas como uma família aninhada de cinco grafos fundamentados na física, conectados por operadores de atribuição determinísticos, permitindo a modelagem explícita da organização física hierárquica.
• Troca de Informações Bidirecional: O método facilita o fluxo de informações via agregação bottom-up (fino-para-grosso) e refinamento top-down (grosso-para-fino), permitindo que cada nível codifique tanto suas próprias informações específicas da modalidade quanto sinais contextuais de todas as outras escalas.
• Viés Indutivo Informado pela Física: Diferentemente do alisamento de grafos orientado por dados, o PRIME aproveita restrições bioquímicas e geométricas conhecidas para definir a hierarquia, fornecendo uma base principial para o aprendizado de representação multiescala.
• Leitura Adaptativa: O framework suporta leituras de atenção cruzada adaptativa, permitindo que o modelo identifique e pondere autonomamente as resoluções estruturais mais relevantes para a tarefa no momento da previsão.

Resultados Experimentais

O PRIME foi avaliado em quatro benchmarks do ProteinWorkshop: Classificação de Enovelamento, Previsão de Classe de Reação, Previsão de Ontologia Gênica (GO) e Previsão de Sítio de Interação Proteína-Proteína (PPI).

• Classificação de Enovelamento: O PRIME alcançou precisão state-of-the-art em todas as divisões. Notavelmente, nas divisões desafiadoras Superfamília e Enovelamento, superou a base GNN geométrica mais forte (EGNN) por margens de 13,80 e 18,30 pontos, respectivamente.
• Previsão de Classe de Reação: O PRIME alcançou 84,10% de precisão, superando todas as bases, incluindo o ESM (83,10%), sugerindo que a hierarquia estrutural explícita fornece um sinal superior para previsão de função enzimática em comparação com modelos baseados apenas em sequência.
• Ontologia Gênica: O modelo alcançou o melhor desempenho nas ontologias Função Molecular (MF) e Componente Celular (CC), que estão intimamente ligadas a motivos estruturais e enovelamentos globais. O desempenho no Processo Biológico (BP) foi menor, provavelmente devido à dependência da anotação do contexto evolutivo em vez da estrutura intrínseca.
• Previsão de Sítio PPI: O PRIME alcançou pontuações ROC-AUC competitivas, demonstrando aplicabilidade a tarefas em nível de nó, embora não tenha liderado o ranking, indicando potencial para escolhas arquitetônicas especializadas para previsão precisa de interfaces.

Estudos de Ablação:

• A remoção de qualquer nível estrutural único degradou consistentemente o desempenho, confirmando que cada nível contribui com informações complementares e não redundantes.
• A remoção do nível de Estrutura Secundária (SSE) causou a queda mais significativa (por exemplo, a precisão da divisão Enovelamento caiu de 59,78% para 16,61%), destacando a centralidade da topologia SSE na discriminação de enovelamentos.
• A análise de atenção cruzada adaptativa revelou que o modelo atribui autonomamente pesos de atenção mais altos aos níveis SSE para classificação de enovelamento e ajusta os pesos com base na tarefa (por exemplo, maior peso nos níveis atômicos/resíduos para Classe de Reação), validando a necessidade de um design multiescala unificado.

Significância

O artigo afirma que o PRIME fornece uma base principial para o aprendizado de representação de proteínas ao levar em conta explicitamente a organização hierárquica da estrutura proteica. Ao ir além de representações multimodais planas ou paralelas, o PRIME captura interações que emergem através das resoluções estruturais. Os resultados demonstram que modelar proteínas como uma hierarquia aninhada de grafos fundamentados na física gera representações generalizáveis que superam abordagens unimodais e multimodais existentes, particularmente em tarefas que exigem a discriminação de enovelamentos estruturalmente semelhantes ou a previsão de funções enzimáticas governadas pela geometria do sítio ativo. A capacidade do framework de identificar autonomamente resoluções relevantes para a tarefa destaca ainda mais o valor de manter uma hierarquia multiescala completa em vez de comprometer-se com uma única resolução fixa.