Resumo Técnico: LineageFlow

Declaração do Problema

A engenharia de proteínas requer a geração de sequências que sejam biofisicamente plausíveis e permaneçam membros reconhecíveis de uma família ou domínio alvo, ao mesmo tempo que exploram a diversidade intra-família. Modelos generativos discretos atuais, incluindo abordagens baseadas em difusão e fluxo, tipicamente inicializam a geração a partir de ruído de simplex uniforme ou corrupção de tokens mascarados. Os autores argumentam que esses priores genéricos são "agnósticos à família" e descartam fortes restrições específicas de posição induzidas pela evolução. Consequentemente, o modelo é forçado a reconstruir quase cada resíduo, incluindo os altamente conservados, a partir de estados fortemente corrompidos ("síntese do zero"). Essa carga leva a um controle fraco da família, baixa plausibilidade e dificuldade em manter estruturas de domínio familiares reconhecíveis.

Metodologia: LineageFlow

Os autores propõem o LineageFlow, um modelo de correspondência de fluxo de Dirichlet que reformula a geração de sequências de proteínas como uma mutação estruturada a partir de um andaime evolutivo, em vez de uma síntese a partir de ruído genérico.

1. Inicialização com Priori de Linhagem

Em vez de um priori uniforme, o LineageFlow inicializa o processo generativo utilizando priors ancestrais derivados da Reconstrução de Sequência Ancestral (ASR).

• Construção: Para uma família de proteínas dada, os autores constroem um Alinhamento Múltiplo de Sequências (MSA), inferem uma árvore filogenética de máxima verossimilhança e realizam uma ASR marginal na raiz para obter uma distribuição posterior site a site sobre os resíduos.
• Representação: Essa posterior da raiz é codificada como parâmetros de concentração de Dirichlet ($\alpha^{(h,l)}$), definindo um priori ancestral específico da família $q_0^{(h)}(X) = \prod_l \text{Dir}(x^{(l)}; \alpha^{(h,l)})$.
• Mecanismo: Essa abordagem preserva andaimes conservados (onde a família é invariante) enquanto retém incerteza apenas em sítios genuinamente variáveis. O processo de geração é, portanto, modelado como um transporte contínuo no simplex de probabilidade a partir dessa distribuição ancestral em direção às sequências existentes.

2. Correspondência de Fluxo no Simplex

O LineageFlow emprega a Correspondência de Fluxo de Dirichlet (DFM).

• Trajetória: Um caminho de probabilidade condicional $p_t(x | x_1)$ é definido onde a massa de Dirichlet se concentra em torno do vértice alvo $x_1$ ao longo do tempo $t \in [0, 1]$.
• Campo Vetorial: O modelo aprende um campo vetorial neural dependente do tempo $\hat{v}(X, t; \theta)$ que transporta o priori ancestral em direção à distribuição de dados. A deriva é reconstruída via uma parametrização de classificador $\hat{p}_\theta(x_1 | x_t, t)$, minimizando a perda de entropia cruzada média por sequência.
• Garantia Teórica: Os autores provam que o campo analítico específico da linhagem satisfaz a equação de continuidade no simplex, garantindo a conservação da massa de probabilidade e mantendo as trajetórias dentro do espaço de estados válido.

3. Redirecionamento para Amostragem Guiada por Objetivos

Para incorporar objetivos externos de aptidão sem orientação de preditor por passo, os autores introduzem o Redirecionamento (Rerouting).

• Processo: Em um tempo intermediário $t_{int}$, a trajetória de geração é pausada. Uma intervenção "mutar–selecionar–amplificar" é aplicada, inspirada na evolução dirigida.
  • Mutar: Um kernel de proposta injeta diversidade na população de partículas.
  • Selecionar: As partículas são reponderadas com base em uma pontuação de aptidão $J(X)$ (por exemplo, plausibilidade ou preditores de propriedades específicas).
  • Amplificar: Uma reamostragem é realizada de acordo com os pesos.
• Base Teórica: Os autores formalizam o redirecionamento como um problema de seleção regularizado por KL, mostrando que a distribuição reponderada maximiza a aptidão esperada enquanto minimiza a divergência KL em relação à lei de proposta.
• Refinamento: A partícula selecionada é então integrada através do fluxo base de $t_{int}$ até $t=1$ para produzir a amostra final.

Contribuições Principais

1. Priors Ancestrais vs. Ruído Genérico: O artigo demonstra que a inicialização a partir de priors de linhagem derivados de ASR supera significativamente as linhas de base inicializadas com uniforme ou máscaras. Isso transforma a geração de um "desruído do zero" para uma mutação estruturada, preservando andaimes conservados.
2. Orientação Preservadora de Variedade: O redirecionamento fornece uma intervenção de tempo intermediário em um único passo que direciona as amostras para objetivos sem exigir gradientes em cada passo de Euler, preservando empiricamente a validade da família.
3. Geração de Alta Fidelidade: O modelo alcança validade de família próxima às sequências naturais mantidas de fora e melhora a confiança estrutural prevista (plausibilidade), ao mesmo tempo que mantém novidade e diversidade substanciais.

Resultados Experimentais

O modelo foi avaliado em 8.886 famílias Pfam-A (conjunto de dados RP35) com 1024 sequências geradas por método.

• Validade da Família: O LineageFlow alcançou uma precisão de família top-1 (Accfam) de 95,3%, comparado a 0% para as linhas de base de priori uniforme (DFM, EvoDiff) e 92,8% para uma linha de base apenas de ASR (ASR-PSSM i.i.d.). Isso indica que priores de ruído genérico falham em produzir membros familiares reconhecíveis mesmo quando condicionados a rótulos de família.
• Plausibilidade (Dobramento): O LineageFlow alcançou um pLDDT médio de 76,6, superando a linha de base apenas de ASR (70,8) e superando significativamente o DFM (46,2) e o EvoDiff (45,4). Também superou o ProtBFN pré-treinado (71,9), apesar do ProtBFN ter sido treinado em um corpus ~8x maior.
• Novidade e Diversidade: Entre as amostras dobráveis (pLDDT $\ge$ 70), 86,2% satisfizeram uma identidade do vizinho mais próximo (NNId) $< 0,8$, e 48,9% satisfizeram NNId $< 0,6$, demonstrando novidade profunda enquanto retêm a identidade da família.
• Geração de Enzimas Zero-Shot: Em um cenário zero-shot em três famílias de enzimas mantidas de fora, o LineageFlow com redirecionamento preservou motivos conservados e melhorou as pontuações proxy de solubilidade e termoestabilidade sem ajuste fino nas famílias alvo.
• Validação Teórica: A análise do "regime difícil" (passos de tempo iniciais) mostrou que os priores de ASR fornecem um sinal recuperável mais alto para o desruído em comparação com priores uniformes, levando a uma maior precisão ótima de Bayes e menor perda de treinamento.

Significado e Alegações

O artigo alega que o LineageFlow estabelece um novo paradigma para a geração de sequências de proteínas ao aproveitar a história evolutiva diretamente no priori generativo.

• Mecanismo: Ao substituir o ruído genérico por andaimes ancestrais informados por filogenia, o modelo reduz a ambiguidade dos passos iniciais de geração, permitindo que o campo vetorial aprendido se concentre em modelar a variação evolutiva em vez de reconstruir estruturas conservadas.
• Praticidade: A introdução do Redirecionamento permite a amostragem guiada por objetivos (por exemplo, otimização para estabilidade ou solubilidade) sem o custo computacional da orientação por passo, tornando-o adequado para tarefas no estilo de evolução dirigida.
• Limitações: Os autores observam que o método depende de MSAs de alta qualidade e inferência filogenética. A geração está vinculada a coordenadas de alinhamento específicas da família (tratando lacunas como máscaras fixas) em vez de modelar explicitamente indels. Além disso, as avaliações dependem de proxies computacionais (por exemplo, pLDDT do OmegaFold, ESM-IF) e pontuações baseadas em preditores, o que significa que a validação funcional do mundo real ainda precisa ser testada.

O trabalho sugere que incorporar contexto evolutivo explícito (priors de linhagem) é crítico para alcançar o design de proteínas de alta fidelidade e consciente da família, oferecendo uma alternativa robusta aos processos generativos padrão baseados em ruído.