Reconstructability of evolutionary intermediates in generative epistatic landscapes

Resumo Técnico: Reconstruibilidade de Intermediários Evolutivos em Paisagens Epistáticas Generativas

Definição do Problema
Embora modelos generativos tenham aprendido com sucesso as restrições estatísticas de famílias de proteínas para projetar novas sequências funcionais, o problema de reconstruir os caminhos evolutivos específicos que conectam duas sequências distintas de tipo selvagem (wild-type) permanece um desafio significativo. Intermediários evolutivos conectam proteínas observadas, mas a sequência de passos mutacionais que as produziu raramente é recuperável apenas a partir de dados existentes. As principais dificuldades incluem a falta de trajetórias evolutivas de verdade (ground-truth) na natureza, as suposições irreais de muitos modelos de simulação (por exemplo, ignorando a epistasia) e a estocasticidade intrínseca da evolução, que torna a reconstrução determinística de sequências profundamente divergentes impossível. Este artigo aborda a questão: o que pode e o que não pode ser inferido sobre intermediários evolutivos a partir de seus pontos finais?

Metodologia
Os autores empregam uma estrutura controlada in silico para testar estratégias de reconstrução baseadas em dados contra trajetórias simuladas de referência. O fluxo de trabalho consiste em quatro estáções principais:

1. Inferência de Paisagem: Um modelo probabilístico generativo, especificamente o Boltzmann Machine Direct Coupling Analysis (bmDCA), é treinado em alinhamentos de sequências múltiplas (MSA) naturais de famílias de proteínas (principalmente corismato mutases, com resultados suplementares para domínios $\beta$-lactamase e RR). Este modelo define uma paisagem de energia estatística $H(S)$ que atua como um proxy para a paisagem de aptidão (fitness) epistática.
2. Evolução Simulada: Trajetórias evolutivas são simuladas dentro desta paisagem inferida usando um processo estocástico de Monte Carlo de Cadeia de Markov (MCMC). As mutações são modeladas ao nível de nucleotídeos para considerar a degenerescência do código genético, incluindo inserções e deleções. Isso gera um conjunto de dados de referência de triplas de sequências: uma sequência inicial ($S_{start}$), um ponto médio temporal ($S_{mid}$) e um ponto final ($S_{end}$), abrangendo escalas de tempo evolutivas $\tau$ de $10^1$ a $10^6$ passos de Monte Carlo.
3. Treinamento do Modelo: Um modelo generativo autorregressivo (arDCA) é treinado nessas triplas para aprender a distribuição de probabilidade condicional $P(S_{mid} | S_{start}, S_{end})$. O modelo é condicionado a ambos os pontos finais para prever o intermediário.
4. Estratégias de Reconstrução: Três abordagens distintas são testadas:
   • Caminho Direto: Uma linha de base ingênua que assume probabilidade igual para variantes de aminoácidos em sítios polimórficos, ignorando a epistasia.
   • Máxima Verossimilhança Gananciosa (Greedy Maximum Likelihood - ML): Decodificação determinística onde o aminoácido mais provável é selecionado em cada sítio sequencialmente.
   • Amostragem Generativa: Amostragem estocástica da distribuição condicional aprendida $P(S_{mid} | S_{start}, S_{end})$.

Principais Contribuições e Resultados

• Precisão de Reconstrução vs. Fidelidade Estatística: O estudo descobre que a "melhor" previsão pontual (Máxima Verossimilhança) não é necessariamente a reconstrução evolutiva mais fiel. Embora o ML ganancioso minimize o erro de reconstrução por resíduo, ele produz sequências atípicas com energias estatisticamente baixas que não refletem o conjunto de histórias plausíveis. Em contraste, a amostragem condicional captura melhor as características estatísticas globais do caminho evolutivo, reproduzindo as distribuições de divergência de sequência e energia estatística observadas na verdade fundamental, mesmo que sacrifique uma margem de precisão ao nível de resíduo.
• Topologia da Paisagem como um Horizonte de Informação: A previsibilidade dos intermediários é fundamentalmente limitada pela topologia da paisagem de aptidão, quantificada pela Entropia Dependente de Contexto (CDE).
  • Bacias Constritas (Baixa CDE): Regiões de baixa energia estatística (alta aptidão) são mutacionalmente constritas. Pontos finais nessas regiões retêm informações fortes sobre o caminho, permitindo uma reconstrução confiável mesmo em escalas de tempo mais longas.
  • Platôs Permissivos (Alta CDE): Regiões de alta energia permitem muitas rotas mutacionais alternativas. Quando uma trajetória passa por uma região de alta CDE (uma "barreira"), a memória do caminho específico é apagada. Se um ponto final reside em um platô de alta CDE, ele carrega significativamente menos informação sobre o intermediário do que um ponto final de baixa CDE.
  • Travessia de Barreira: Mesmo quando ambos os pontos finais estão em bacias constritas, se a trajetória cruzar uma barreira de alta CDE no ponto médio, a reconstruibilidade desse ponto cai substancialmente. Essa perda de informação é intrínseca à dinâmica estocástica de atravessar regiões permissivas, não apenas um resultado da divergência dos pontos finais.
• Inferência de Tempo Evolutivo a partir de Dados de Sequência: O artigo demonstra que a simples divergência de sequência (distância de Hamming) é um proxy insuficiente para o tempo evolutivo em paisagens epistáticas heterogêneas. Trajetórias que partem de regiões de alta CDE divergem mais rápido do que aquelas que partem de regiões de baixa CDE, o que significa que a mesma divergência pode corresponder a escalas de tempo vastamente diferentes.
  • Os autores propõem inferir a escala de tempo evolutiva latente $\tau$ integrando a distância de Hamming com as estimativas de mutabilidade (CDE) das sequências de ponto final.
  • O uso de regressão logística multinomial para prever $\tau$ a partir da divergência e CDE permite o uso de modelos generativos parametrizados pelo tempo para aplicações do mundo real onde o tempo é desconhecido. Esta abordagem produz uma precisão de reconstrução significativamente maior e propriedades estatísticas melhor calibradas em comparação com modelos treinados diretamente em intervalos de divergência.

Significância e Alegações
O artigo recategoriza a reconstrução de intermediários como um problema probabilístico calibrado, em vez de uma busca por uma única sequência "verdadeira". Os autores alegam que:

1. Modelos baseados em dados devem priorizar identificar quando os pontos finais contêm informação evolutiva suficiente para reconstruir um caminho, em vez de forçar uma previsão determinística.
2. O resultado apropriado para tais modelos é um ensemble realista de intermediários plausíveis que refletem a estocasticidade intrínseca da evolução, em vez de uma única sequência de máxima verossimilhança.
3. As características topológicas da paisagem de sequência (especificamente mutabilidade/CDE) são essenciais para preencher a lacuna entre simulações artificiais e aplicações de casos reais, permitindo a estimativa de taxas evolutivas e o posicionamento preciso de intermediários sem dados temporais explícitos.

O trabalho estabelece que, embora a reconstrução de intermediários seja viável dentro de regimes constritos, ela atinge um limite fundamental quando as trajetórias atravessam regiões permissivas de alta entropia, onde a memória específica do caminho é irrecuperavelmente perdida.