🧬 biology

Better Protein Function Prediction by Modeling Survivorship Bias

Este artigo apresenta o Evo-PU, um framework de aprendizado positivo-não rotulado que modela explicitamente o viés de sobrevivência por meio de processos de mutação evolutiva para superar significativamente os métodos existentes na previsão da funcionalidade de proteínas em diversos conjuntos de dados virais.

Autores originais: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Publicado 2026-05-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zhongmou Chao, Poompol Buathong, Ekaterina Selivanovitch, Susan Daniel, Peter I. Frazier

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

O Grande Problema: A Armadilha da "Sobrevivência"

Imagine que você está tentando aprender a assar o bolo perfeito. Você vai a uma padaria e olha para todos os bolos expostos. Eles todos parecem deliciosos e venderam bem. Você pode concluir: "Ok, todos os bolos são bons."

Mas aqui está a pegadinha: a padaria joga fora todo bolo que queima, desaba ou tem gosto terrível antes que ele chegue à vitrine. Você nunca vê as falhas. Se você tentar aprender apenas com os bolos na vitrine, não entenderá por que algumas receitas falham. Você só vê os "sobreviventes".

Isso é exatamente o problema que os cientistas enfrentam com as proteínas (os blocos de construção da vida).

O Filtro da Natureza: Na natureza, as proteínas que não funcionam são eliminadas pela evolução. Apenas aquelas que ajudam um organismo a sobreviver e se reproduzir são transmitidas.
A Lacuna nos Dados: Quando os cientistas olham para bancos de dados de proteínas, eles veem principalmente os "vencedores" (proteínas funcionais). Raramente veem os "perdedores" (proteínas não funcionais) porque esses nunca foram observados na natureza.

Isso cria um Viés de Sobrevivência. Se você treinar um computador para prever a função de uma proteína usando apenas os "vencedores", ele fica confuso. Ele não sabe que uma versão ligeiramente diferente de uma proteína pode ser um fracasso total.

As Soluções Antigas (e por que ficaram aquém)

Os cientistas tentaram corrigir isso antes, mas perderam um detalhe chave: Como a proteína chegou lá?

Aprendizado "Positivo-Não Rotulado" (PU) Padrão: Isso é como dizer: "Temos uma lista de bolos bons e uma lista de caixas misteriosas. Vamos adivinhar quais caixas misteriosas são ruins." O problema é que esses métodos assumem que toda caixa misteriosa tem a mesma chance de ser um bolo bom. Eles não levam em conta como o bolo foi feito.
Modelos de Linguagem de Proteínas (PLMs): São como IAs que leem milhões de livros de receitas para adivinar como uma boa receita parece. Eles são ótimos em identificar padrões gerais, mas às vezes perdem os detalhes específicos e minúsculos necessários para uma proteína realizar um trabalho específico (como uma chave específica se encaixando em uma fechadura específica).
Classificação de Uma Única Classe: É como um porteiro que só sabe como é um "convidado bom" e afasta todos os outros. É muito rígido e não entende a nuance de por que alguém não foi convidado.

A Nova Solução: Evo-PU

Os autores criaram uma nova ferramenta chamada Evo-PU. Pense no Evo-PU como um detetive que não olha apenas para os bolos na prateleira; ele olha para a cozinha e para o livro de receitas para entender como os bolos chegaram lá.

A Ideia Central:
O Evo-PU entende que as proteínas são construídas a partir de partes menores chamadas nucleotídeos (como letras em uma palavra).

A Analogia: Imagine que você tem uma palavra muito comum, como "GATO".
- Se você mudar uma letra para fazer "BATO", é muito provável que alguém já tenha escrito essa palavra, porque é fácil passar de "GATO" para "BATO". Se você não viu "BATO" no dicionário, provavelmente é porque "BATO" não faz sentido (é não funcional).
- No entanto, se você tentar mudar "GATO" para "XYZZY" (uma string aleatória e complexa), é altamente improvável que alguém já tenha escrito isso apenas por acidente. Se você não viu "XYZZY", não é porque é uma palavra ruim; é apenas porque é tão difícil de encontrar que ninguém tentou ainda.

Como o Evo-PU Funciona:

Rastreia o "caminho": O Evo-PU olha para os "ancestrais" (as proteínas comuns que já conhecemos) e calcula o quão fácil seria mutá-las em uma nova versão.
Ajusta as probabilidades:
- Se uma nova proteína está a um passo de uma comum, e nós não a vimos, o Evo-PU pensa: "Isso provavelmente é um fracasso. Se funcionasse, nós o teríamos encontrado até agora."
- Se uma nova proteína está a muitos passos de qualquer coisa comum, e nós não a vimos, o Evo-PU pensa: "Não a vimos apenas porque é raro acontecer, não porque está quebrada."
O Resultado: Ao modelar esse "caminho de mutação", o Evo-PU consegue distinguir entre uma proteína que está faltando porque é ruim e uma proteína que está faltando porque é rara.

Os Resultados: Funcionou?

A equipe testou o Evo-PU em vírus como Influenza, VSR e SARS-CoV-2. Eles pediram para ele prever:

Quais partes do vírus ajudam a grudar nas células humanas?
Quais partes ajudam a se esconder do nosso sistema imunológico?
Quais novas variantes de vírus podem aparecer no futuro?

O Veredito:

Em Vírus Bem Monitorados: Para vírus onde temos muitos dados (como a gripe), o Evo-PU foi o vencedor claro. Ele superou todos os outros métodos (aprendizado PU padrão, classificadores de uma única classe e modelos de linguagem). Ele previu com sucesso quais mutações funcionariam e quais falhariam.
Em Conjuntos de Dados Diversos: Quando testado em um conjunto de dados massivo e misto de muitos organismos diferentes (ProteinGym), o Evo-PU não venceu. Os autores explicam que isso ocorre porque seu método depende de saber exatamente quantas vezes um vírus infectou um hospedeiro (prevalência). Em conjuntos de dados mistos, esses dados estão bagunçados ou faltando, então o "detetive" perde algumas de suas pistas.

Resumo

O artigo argumenta que, para prever se uma proteína funciona, você não pode apenas olhar para a lista de "sobreviventes". Você precisa entender a jornada evolutiva que ela percorreu para chegar lá.

Jeito Antigo: "Vejo uma proteína. Ela é boa? Vou chutar com base em como ela parece."
Jeito Evo-PU: "Vejo uma proteína. Sei que está a uma mutação de distância de uma comum. Como ainda não vi essa mutação específica, é provável que seja um fracasso. Mas se for uma mutação estranha e complexa, vou dar uma chance porque é apenas difícil de encontrar."

Ao levar em conta quão provável é que uma proteína apareça na natureza, o Evo-PU oferece uma imagem muito mais clara de quais proteínas são verdadeiramente funcionais e quais são becos sem saída evolutivos.

Resumo Técnico: Melhor Predição de Função de Proteínas ao Modelar Viés de Sobrevivência

Declaração do Problema

Os dados de sequência de proteínas derivados da natureza são inerentemente enviesados devido a processos evolutivos e de seleção experimental. Esse viés de sobrevivência resulta em conjuntos de dados onde sequências funcionais são sistematicamente super-representadas, enquanto mutações não funcionais são filtradas pela seleção natural ou por protocolos experimentais (por exemplo, biopanning). Consequentemente, a predição de função de proteínas frequentemente enfrenta um cenário de aprendizado Positivo-Não Rotulado (PU): sequências observadas são conhecidas por serem funcionais (positivas), enquanto sequências não observadas são não rotuladas — elas podem ser funcionais mas não observadas, ou verdadeiramente não funcionais.

Métodos existentes de aprendizado PU tipicamente assumem um prior de classe constante (a probabilidade de uma sequência não rotulada ser verdadeiramente positiva) em todas as sequências. Essa suposição é biologicamente irrealista porque a probabilidade de uma sequência ser observada depende de sua acessibilidade evolutiva. Sequências a uma mutação de distância de variantes prevalentes são muito mais propensas a surgir e serem observadas do que aquelas que requerem múltiplas mutações simultâneas. Métodos padrão falham em contabilizar essa variabilidade, limitando seu desempenho preditivo. Além disso, embora os Modelos de Linguagem de Proteínas (PLMs) capturem restrições evolutivas, eles frequentemente inferem padrões estatísticos a partir de distribuições observadas sem modelar explicitamente as vias mutacionais e os processos de vigilância que determinam quais variantes estão ausentes.

Metodologia: Evo-PU

Os autores propõem o Evo-PU, um framework de aprendizado PU que modela explicitamente o viés de sobrevivência através de um prior de classe dependente da sequência e informado pela evolução. A ideia central é que sequências de nucleotídeos funcionais mais próximas daquelas prevalentes na natureza são mais propensas a ser observadas porque podem surgir através de vias mutacionais viáveis.

1. Processo Probabilístico de Geração de Dados

O Evo-PU formaliza o processo de observação através de três estágios:

Emergência ( $E$ ): Uma sequência de nucleotídeos $y$ emerge via mutação a partir de um ancestral.
Funcionalidade ( $A$ ): A sequência codifica uma proteína funcional.
Observação ( $O$ ): A sequência é detectada por um processo de vigilância com probabilidade $p_o$ .

A verossimilhança de observar uma sequência de aminoácidos $x$ é derivada como:
$P(O_X(x) = 1) = p_a(x; \theta) \left[ 1 - \prod_{y \in Y(x)} (1 - p_o p_e(y; \alpha)) \right]$
Onde:

$p_a(x; \theta)$ é o classificador que estima a probabilidade de funcionalidade.
O termo entre colchetes representa o prior de classe dependente da sequência, capturando a probabilidade de que uma sequência funcional $x$ seja observada.
$p_e(y; \alpha)$ é a probabilidade de que uma sequência de nucleotídeos $y$ emerge de ancestrais observados via mutação.

2. Modelo de Emergência de Nucleotídeos

Para estimar $p_e(y; \alpha)$ , o modelo assume que sequências de nucleotídeos observadas ( $D_Y$ ) servem como ancestrais. A probabilidade de emergência para uma sequência não observada $y$ é calculada com base em:

Distância Mutacional: A probabilidade de mutação de um ancestral $y'$ para $y$ , distinguindo entre transições (mais comuns) e transversões (menos comuns).
Prevalência: A frequência do ancestral $y'$ nos dados observados, denotada como $c(y')$ .
Escala: Um hiperparâmetro $\alpha$ escala a taxa de emergência efetiva para contabilizar fatores como falha reprodutiva.

A probabilidade de emergência é aproximada como:
$p_e(y; \alpha) \approx 1 - \exp\left( -\sum_{y' \in D_Y} P(y' \to y) \alpha c(y') \right)$

3. Aproximação Eficiente de Verossimilhança

O cálculo exato da verossimilhança é intratável para sequências longas devido ao tamanho exponencial do espaço de sequências não observadas. O Evo-PU emprega uma aproximação eficiente:

Restringe o conjunto de sequências não observadas ( $\hat{D}'_X$ ) àquelas geradas por mutações de um único nucleotídeo a partir de dados observados que tenham alta probabilidade de emergência ( $p_e > \epsilon$ ).
Restringe o conjunto de nucleotídeos codificantes $Y(x)$ para qualquer sequência de aminoácidos à interseção entre nucleotídeos observados e nucleotídeos com emergência provável.
Isso permite a otimização tratável da função de log-verossimilhança usando métodos padrão baseados em gradiente.

4. Detalhes de Implementação

Classificador: O framework é agnóstico à arquitetura do classificador, mas utiliza Regressão Logística (LR) e uma rede neural Wide & Deep (WD) nos experimentos.
Representação: As sequências são codificadas usando propriedades físico-químicas dos aminoácidos (CHEM) para permitir otimização contínua.
Treinamento: O modelo estima conjuntamente os parâmetros do classificador $\theta$ , a eficiência da vigilância $p_o$ e o fator de escala de emergência $\alpha$ maximizando a log-verossimilhança aproximada com regularização $L_2$ .

Contribuições Principais

Framework Inovador: Introdução do Evo-PU, o primeiro framework de aprendizado PU que incorpora uma compreensão científica da mutação de nucleotídeos para modelar o viés de sobrevivência via um prior de classe dependente da sequência.
Fundamentação Biológica: Diferentemente dos métodos PU padrão que assumem um prior de classe constante, o Evo-PU modela explicitamente como a acessibilidade mutacional e a prevalência determinam conjuntamente as probabilidades de observação.
Aproximação Escalável: Desenvolvimento de um método de aproximação eficiente que foca em variantes derivadas de nucleotídeos biologicamente plausíveis, tornando o cálculo da verossimilhança tratável para grandes espaços de sequências.
Avaliação Abrangente: Testes rigorosos em conjuntos de dados virais de organismos únicos (Influenza, RSV, SARS-CoV-2) e benchmarks multi-organismos (ProteinGym).

Resultados Experimentais

Os autores avaliaram o Evo-PU em três tarefas de organismo único (predição de motivos funcionais em Influenza, RSV e SARS-CoV-2) e dois benchmarks multi-organismos do ProteinGym.

Tarefas de Organismo Único: O Evo-PU superou consistentemente métodos padrão de aprendizado PU (Protein-PU, 2Step), métodos de Classificação de Uma Única Classe (OCC) (OC-SVM, iForest) e Modelos de Linguagem de Proteínas (PLMs como EVE, ESM-1v, kNN-ESM2).
- Melhorias notáveis foram observadas na predição de motivos de fusão e ligação da Influenza, motivos HRC do RSV e emergência futura de variantes do SARS-CoV-2.
- Na tarefa de emergência do SARS-CoV-2, o Evo-PU alcançou a maior correlação de Spearman ( $\rho$ ) entre a probabilidade funcional predita e as frequências observadas de variantes.
Tarefas Multi-Organismos (ProteinGym): Em conjuntos de dados heterogêneos (PSAE e A0), métodos baseados em PLM alcançaram o desempenho mais forte. Os autores atribuem o desempenho reduzido do Evo-PU nesse regime ao seu desenho para dados de organismo único bem vigiados e à suposição de prevalência igual entre sequências, o que limita sua capacidade de modelar taxas de vigilância heterogêneas.

Significado e Alegações

O artigo afirma que o Evo-PU fornece uma abordagem principial para modelar o viés de sobrevivência em bancos de dados de proteínas, avançando a compreensão científica da bioquímica e da biologia. Ao incorporar explicitamente a mutação em nível de nucleotídeo e a seleção natural no modelo de observação, o método gera uma verossimilhança fundamentada biologicamente para sequências de aminoácidos.

Os autores afirmam que este trabalho tem potenciais impactos positivos em:

Descoberta de Medicamentos: Acelerando a identificação de alvos terapêuticos e o desenho de biológicos eficazes.
Biomateriais: Orientando a engenharia de proteínas com propriedades desejadas.
Pesquisa Básica: Fornecendo um framework para melhor entender a relação entre sequência e função de proteínas na presença de viés de seleção.

O artigo reconhece modestamente limitações, notando que o modelo atual não contabiliza inserções ou deleções e que estender o framework para lidar com observabilidade heterogênea e conjuntos de dados sem informações de prevalência permanece uma direção para trabalho futuro. Também enfatiza a necessidade de uso responsável para prevenir o desenho de sequências de proteínas perigosas.