Resumo Técnico: TCR-SRIM (Estrutura-Regularizada e Interpretável para Predição de TCR-Epítopo)

Definição do Problema

A predição da ligação entre o receptor de células T (TCR) e o epítopo é um desafio crítico na imunidade adaptativa, essencial para o desenvolvimento de vacinas e o design de imunoterapias. Embora as ferramentas para predição de ligação MHC tenham amadurecido, a predição de ligação TCR-pMHC permanece difícil devido à escassez de estruturas resolvidas experimentalmente e às limitações dos modelos existentes. As abordagens atuais dividem-se em três categorias: baseadas em sequência (agrupamento não supervisionado ou aprendizado profundo supervisionado), baseadas em estrutura ou modelos híbridos. No entanto, esses modelos frequentemente sofrem com uma baixa generalização para epítopos não vistos e carecem de interpretabilidade (atuando como "caixas pretas"). Além além disso, o impacto do uso de estruturas computacionalmente preditas (ex: AlphaFold3) versus estruturas resolvidas experimentalmente sobre o aprendizado e a interpretabilidade do modelo permanece incerto.

Modelos interpretáveis existentes dependem ou de análises post-hoc (que podem ser instáveis) ou de regras biológicas predefinidas que não incorporam informações estruturais. Há a necessidade de um modelo que seja "interpretável por design", integre conhecimento estrutural para guiar o aprendizado e possa operar utilizando apenas entradas de sequência durante a inferência.

Metodologia: TCR-SRIM

Os autores propõem o TCR-SRIM (Modelo Interpretável com Regularização Estrutural), um framework que combina embeddings de modelos de linguagem de proteínas (PLM) com protótipos de contato interpretáveis, regularizados por um pequeno conjunto de dados estruturais.

1. Visão Geral da Arquitetura

O modelo consiste em três componentes primários:

• Backbone de Modelo de Linguagem de Proteína (PLM): O modelo utiliza PLMs pré-treinados (ProteinBERT, ESM-1b, ESM-2) para gerar embeddings ricos para a cadeia $\alpha$ do TCR ($E_a$), a cadeia $\beta$ ($E_b$) e o peptídeo epítopo ($E_e$).
• Melhoria e Fusão de Características (FEF): Inspirado em trabalhos anteriores (EGM), o modelo emprega mecanismos de atenção cruzada para fundir características entre as cadeias do TCR e o peptídeo. Isso cria representações enriquecidas ($F_{e}^{a \to b}$, $F_{e}^{b \to a}$, etc.) que capturam interações entre cadeias específicas e o peptídeo.
• Camadas de Protótipo de Contato: Em vez de uma cabeça de classificação padrão, o modelo utiliza camadas baseadas em protótipos para modelar explicitamente contatos ao nível de resíduo.
  • A distância de contato entre dois embeddings fundidos ($F_u, F_v$) é modelada via similaridade de cosseno, escalonada por um parâmetro de temperatura aprendível $\tau$.
  • Mapas de contato são gerados aplicando um limiar definido pelo usuário aos escores de similaridade, seguido por uma função sigmoide e agregação via ponderação softmax.
  • A predição final é o máximo dos escores de contato entre os pares CDR3-peptídeo, refletindo a observação empírica de que uma cadeia de TCR frequentemente domina o reconhecimento.

2. Regularização Estrutural

Uma inovação fundamental é o processo de regularização estrutural, que alinha os protótipos de contato aprendidos com dados estruturais reais (ground-truth) sem exigir estruturas no momento da inferência.

• Derivação do Ground Truth: Para um determinado par de estruturas (ex: CDR3 e peptídeo), um mapa de contato é derivado calculando a distância mínima átomo a átomo entre resíduos.
• Normalização e Mascaramento: O mapa de distância é normalizado e invertido para criar um mapa de importância. Um mapa binário (máscara) é construído com base em um limiar $\epsilon$ para identificar resíduos espacialmente próximos.
• Função de Perda: O modelo é regularizado usando uma perda de erro quadrático médio mascarada ($L_r$) entre o protótipo de contato predito e o ground truth estrutural.
• Ponderação de Resolução: Para considerar as variações nas resoluções estruturais, aplica-se uma perda ponderada pela resolução, atribuindo maior peso a estruturas de maior qualidade (menor valor de resolução).
• Procedimento de Treinamento: O treinamento alterna entre o treinamento supervisionado padrão em dados de sequência de larga escala e etapas de regularização usando o conjunto de dados estruturais.

Principais Contribuições

1. Framework Interpretável por Design: O TCR-SRIM incorpora a interpretabilidade diretamente em sua arquitetura através de protótipos de contato, evitando a necessidade de métodos de explicação post-hoc.
2. Aprendizado Regularizado por Estrutura: O modelo transfere com sucesso o conhecimento estrutural para modelos baseados em sequência usando um pequeno conjunto de estruturas de alta resolução, melhorando a generalização para epítopos não vistos.
3. Benchmarking de Estruturas Preditas vs. Reais: O estudo fornece uma avaliação sistemática de como estruturas geradas (via AlphaFold3, TCRModel2, tFold-TCR) impactam o aprendizado do modelo em comparação com estruturas resolvidas experimentalmente.

Resultados Experimentais

Performance Preditiva

• Epítopos Não Vistos: Em um conjunto de dados compilado com 288 epítopos não vistos, o TCR-SRIM (usando ProteinBERT) alcançou um ROC-AUC top-100 de 0,989, superando os baselines como MixTCRpred (0,906) e TULIP (0,821) em aproximadamente 9% e 17%, respectivamente.
• Benchmark Abrangente: Em um benchmark abrangente independente, o TCR-SRIM alcançou performance de estado da arte com um ROC-AUC de 0,571 (backbone ProteinBERT) e um AUPRC de 0,587 (ESM2-150M), superando ou igualando outros modelos líderes como PISTE e vibtcr.

Interpretabilidade (Benchmark TCR-XAI)

• Utilizando a métrica de Taxa de Acerto da Região de Ligação (BRHR), o TCR-SRIM demonstrou capacidade superior de identificar resíduos de ligação reais comparado a métodos post-hoc aplicados a modelos de caixa preta.
• Especificamente, para interações peptídeo $\to$ CDR3b, o TCR-SRIM com ProteinBERT aproximou-se de um BRHR de 1,0, superando significativamente os baselines.
• A visualização dos protótipos de contato confirmou que o modelo identificou corretamente regiões de contato críticas (ex: resíduos do CDR3b mais próximos do peptídeo) e que backbones de PLM maiores (ESM2-650M) produziram padrões de contato de maior "resolução".

Impacto das Estruturas Geradas

Os autores avaliaram o efeito do uso de estruturas preditas para regularização:

• Performance: Modelos regularizados com estruturas preditas (AlphaFold3, TCRModel2, tFold-TCR) alcançaram performance competitiva, porém ligeiramente inferior às que usaram estruturas reais (ex: top-100 ROC-AUC de ~0,91–0,94 vs. 0,953 para estruturas reais).
• Interpretabilidade: Observou-se uma lacuna significativa na interpretabilidade. Modelos regularizados com estruturas preditas mostraram BRHR substancialmente menor para interações peptídeo-CDR3b (caindo abaixo de 0,40) em comparação com estruturas reais (>0,80).
• Diversidade do Sítio de Ligação: Estruturas preditas levaram a mapas de contato "super-suavizados" com deslocamentos na localização do sítio de ligação (ex: focando nos resíduos 13-14 em vez do intervalo real 8-12). Além disso, as estruturas preditas exibiram menor diversidade de sítios de ligação (maior similaridade entre amostras) em comparação com as conformações diversas encontradas em dados experimentais.

Significância e Alegações

O artigo afirma que o TCR-SRIM representa um avanço significativo ao demonstrar que a regularização estrutural pode efetivamente guiar modelos baseados em sequência em direção a padrões de contato biologicamente significativos, melhorando tanto a precisão preditiva quanto a interpretabilidade.

Crucialmente, o estudo destaca uma limitação nos modelos atuais de predição de estrutura para o aprendizado de TCR-epítopo. Embora estruturas preditas possam servir como substitutos eficazes quando dados experimentais não estão disponíveis, elas introduzem artefatos (como redução na diversidade do sítio de ligação e padrões de interação imprecisos) que dificultam a capacidade do modelo de aprender o espectro total de interações TCR-epítopo. Os autores concluem que modelos interpretáveis por design como o TCR-SRIM são valiosos não apenas para predição, mas também como ferramentas diagnósticas para avaliar a qualidade e utilidade de estruturas biológicas geradas.