DeepRHP: A Hybrid Variational Autoencoder for Designing Random Heteropolymers as Protein Mimics

Resumo Técnico: DeepRHP

Definição do Problema
Heteropolímeros aleatórios (RHPs) sintéticos oferecem um caminho para o design de materiais semelhantes a proteínas capazes de estabilizar proteínas em ambientes não nativos e facilitar funções como o transporte de prótons. No entanto, projetar RHPs com funções específicas desejadas é desafiador porque as cadeias de RHPs sintéticos carecem de sequências e conformações determinísticas. Diferente do design tradicional de proteínas, que se baseia em sequenciamento de alto rendimento e estruturas 3D para métodos como evolução dirigida ou design de novo, o design de RHPs carece atualmente de princípios racionais. As abordagens existentes são amplamente empíricas, dependendo de triagens laboratoriais demoradas de várias composições de monômeros e comprimentos de cadeia. Além disso, há uma escassez de literatura computacional abordando como modelar RHPs como um conjunto (ensemble) em vez de cadeias individuais, deixando questões críticas de design sem resposta: especificamente, quantos monômeros são necessários em um "alfabeto" de sistema e como identificar composições de monômeros que correspondam a funções proteicas específicas.

Metodologia: DeepRHP
Para abordar essas lacunas, os autores propõem o DeepRHP, um Variational Autoencoder (VAE) modificado, treinado sob um framework semissupervisionado. O modelo é projetado para aprender representações latentes de baixa dimensão de sequências de RHP que capturam tanto padrões de sequência quanto características químicas críticas.

• Arquitetura Híbrida: Ao contrário dos VAEs padrão que concatenam características em um único vetor, o DeepRHP emprega uma arquitetura híbrida consistindo em um VAE clássico e um VAE adicional orientado por características operando em paralelo. Ambos compartilham uma variável latente $z$.
• Aprendizado Semissupervisionado: O modelo utiliza dados de sequência $x$ e características químicas relacionadas à função $y$ (especificamente, o equilíbrio hidrofílico-lipofílico [HLB] médio de janelas deslizantes). Como $y$ é uma transformação determinística de $x$, o codificador (encoder) depende exclusivamente de $x$, enquanto o decodificador (decoder) é equipado para reconstruir tanto a sequência quanto a característica.
• Função Objetivo: O objetivo de treinamento maximiza a log-verossimilhança da sequência otimizando um Evidence Lower Bound (ELBO) modificado. Este limite inclui uma soma ponderada das perdas de reconstrução para ambos a sequência ($x$) e a característica química ($y$), juntamente com o termo de divergência de Kullback-Leibler (KL):
  $$\log p(x) \geq \alpha E_q [\log p(x | z)] + (1 - \alpha) E_q [\log p(y | z)] - D_{KL} (q(z | x) \parallel p(z))$$
  Aqui, $\alpha$ é um hiperparâmetro que equilibra o peso entre a estrutura da sequência e a fidelidade da característica química.
• Implementação: O codificador e o decodificador são implementados como perceptrons multicamadas (MLPs) usando PyTorch. O modelo é treinado utilizando o otimizador ADAM.

Principais Contribuições

1. Primeira Aplicação de Deep Learning para o Design de RHP: Este trabalho é o primeiro a utilizar aprendizado profundo para responder a questões fundamentais de design de RHP, aprendendo representações latentes interpretáveis para conjuntos de RHP.
2. Insight sobre Parâmetros de Design: O modelo fornece insights baseados em dados sobre dois parâmetros críticos: o tamanho do alfabeto de monômeros e a composição de monômeros.
3. Flexibilidade e Interpretabilidade: A arquitetura híbrida permite a incorporação de qualquer característica química relevante, tornando o método versátil para várias funções proteicas. Além disso, ao vincular variáveis latentes diretamente a características químicas, o modelo oferece a interpretabilidade que frequentemente falta aos VAEs clássicos, onde as direções principais são fisicamente obscuras.

Resultos
Os autores validaram o DeepRHP utilizando um sistema de quatro monômeros à base de metacrilato (MMA, EHMA, OEGMA, SPMA) e 30.000 sequências de proteínas de membrana e globulares da UniProt.

• Validação da Composição de Monômeros: O modelo validou com sucesso o achado empírico de que uma proporção de monômero hidrofílico de 30% para hidrofóbico de 70% é ideal para estabilizar proteínas de membrana como a Aquaporina Z (AqpZ). A Análise de Componentes Principais (PCA) do espaço latente mostrou que as composições de RHP com essa proporção (especificamente RHP B e C em um sistema de dois monômeros) sobrepõem-se significativamente com proteínas naturais de membrana e globulares.
• Análise do Tamanho do Alfabeto: O estudo demonstrou que um alfabeto de dois monômeros cria um espaço de sequência amplo demais em relação a proteínas específicas. Em contraste, expandir para um sistema de quatro monômeros (variando a proporção MMA:EHMA enquanto mantém o equilíbrio hidrofílico/hidrofóbico de 30:70) resultou em um espaço de sequência mais localizado. As projeções latentes de AqpZ no espaço de quatro monômeros cobriram quase inteiramente os espaços de RHP 4 e RHP 5.
• Concordância Experimental: O modelo previu que as composições de RHP 4 e RHP 5 seriam ideais. Essa previsão alinhou-se com experimentos de bancada publicados (Panganiban et al. 2018), que identificaram um RHP com a mesma proporção de monômeros que o RHP 4 como o estabilizador mais eficaz para AqpZ.
• Ablação: Nos estudos de ablação, o modelo híbrido DeepRHP superou um VAE clássico singular sem o regressor de decodificação adicional.

Significância e Alegações
O artigo afirma que o DeepRHP demonstra o potencial de utilizar arquiteturas de autoencoder híbridas para guiar o design de RHPs para proteínas e outros compostos biológicos. Ao preencher a lacuna entre a triagem empírica e o design racional, a ferramenta oferece uma plataforma para análise de similaridade entre proteínas alvo e sequências de RHP. Os autores posicionam este trabalho como um "primeiro passo" na integração do aprendizado profundo na quimioinformática macromolecular. Eles mantêm um tom modesto em relação ao trabalho futuro, observando que as avaliações atuais são qualitativas e validadas contra resultados laboratoriais. Eles propõem que esforços futuros devem focar no desenvolvimento de medidas quantitativas para avaliar a qualidade das representações latentes e na realização de tarefas downstream, como classificar proteínas de membrana específicas.