PlantBGC: Transformer for Plant BGC Discovery via Label-Free Domain Adaptation and Weak Supervision

Resumo Técnico: PlantBGC

Problema
A descoberta de clusters de genes biossintéticos (BGCs) de plantas, que codificam vias de metabólitos especializados, é dificultada pela escassez de rótulos de BGCs de plantas curados e com resolução de coordenadas. Essa falta de verdade fundamental (ground truth) impede o treinamento supervisionado eficaz de modelos de aprendizado profundo em escala genômica. As ferramentas existentes de mineração de BGCs de plantas (ex: plantiSMASH, PlantClusterFinder) dependem de assinaturas manuais e regras heurísticas, que frequentemente têm dificuldade com o contexto de domínio de longo alcance, generalização entre espécies e controle rigoroso de falsos positivos sob fortes mudanças de domínio (domain shifts). Além disso, o ecossistema de descoberta de BGCs é predominantemente centrado em micróbios, tornando desafiante a transferência de modelos treinados em dados microbianos para os complexos e ricos em repetições dos genomas de plantas.

Metodologia
Os autores propõem o PlantBGC, um framework baseado em Transformer projetado para transferir a supervisão de BGCs de genomas microbianos bem anotados para genomas de plantas, minimizando a dependência de rótulos específicos de plantas. O framework opera como um pipeline de três estágios:

1. Representação de Dados: Os genomas são representados como sequências ordenadas de tokens de domínios Pfam. Cada token é mapeado para um embedding Pfam2vec de 100 dimensões. Esta abordagem captura a similaridade de domínios e padrões de coocorrência, evitando vocabulários one-hot de alta dimensão.
2. Estágio 1: Treinamento Supervisionado Microbiano: Um codificador (encoder) Transformer apenas-para-um-lado é treinado em BGCs microbianos curados (do MIBiG) usando um objetivo de classificação binária ao nível de token. O modelo aprende uma função de pontuação de "semelhança-com-BGC" usando entropia cruzada binária ponderada para lidar com o desequilíbrio de classes. A arquitetura utiliza autoatenção de múltiplas cabeças para integrar interações contextuais de longo alcance entre domínios e genes, que heurísticas de janela local frequentemente perdem.
3. Estágio 2: Adaptação de Domínio Sem Rótulos: Para abordar a mudança de domínio entre micróbios e plantas sem utilizar os escassos rótulos de BGCs de plantas, os autores empregam Modelagem de Linguagem Mascarada (MLM). O modelo passa por um pré-treinamento contínuo em sequências de tokens Pfam de plantas não anotadas. Durante este estágio, os blocos inferiores do codificador e a cabeça de pontuação de BGC são congelados para preservar a fronteira de decisão microbiana, enquanto os blocos superiores do codificador e a tabela de embeddings específica de plantas são atualizados. Uma cabeça MLM auxiliar prevê os tokens mascarados, forçando o codificador a alinhar-se com as estatísticas de coocorrência de Pfam específicas de plantas.
4. Estágio 3: Supervisão Fraca via GO/KEGG: Para reduzir os falsos positivos provenientes de regiões semelhantes ao metabolismo primário (que frequentemente recebem pontuações altas de BGC devido à mudança de domínio), o modelo é refinado usando anotações funcionais de Ontologia Gênica (GO) e KEGG como supervisão fraca. Loci sinalizados como "semelhantes ao primário" com base em evidências GO/KEGG são tratados como "negativos suaves" com rótulos ponderados por confiança. A cabeça de pontuação e os blocos superiores do codificador são ajustados (fine-tuned) usando uma perda de rótulo suave ponderada por confiança para suprimir esses falsos positivos enquanto preserva a sensibilidade a sinais secundários/mistos.
5. Agregação: As pontuações ao nível de token são agrupadas ao nível de CDS e agregadas em loci de BGC candidatos, compactos e sem lacunas, baseados em unidades consecutivas de alta pontuação.

Principais Contribuições

• Primeiro Framework de ML para BGCs de Plantas: O PlantBGC é apresentado como o primeiro framework de aprendizado de máquina/aprendizado profundo desenvolvido especificamente para a descoberta de BGCs em plantas, indo além das abordagens baseadas em regras ou assinaturas.
• Adaptação Sem Rótulos: O método transfere com sucesso a supervisão de micróbios para plantas usando adaptação de domínio sem rótulos (MLM), superando o gargalo das anotações escassas de plantas.
• Estratégia de Supervisão Fraca: A integração da supervisão fraca derivada de GO/KEGG fornece um mecanismo para calibrar previsões e reduzir falsos positivos semelhantes ao metabolismo primário sem a necessidade de rótulos de verdade fundamental de BGCs de plantas.
• Predição de Fronteira Compacta: Ao contrário das ferramentas baseadas em regras que frequentemente produzem loci inflados, o PlantBGC agrega previsões em intervalos estritamente consecutivos e compactos, reduzindo diretamente o espaço de busca experimental.

Resultos

• Desempenho Microbiano (Estágio 1): Em benchmarks microbianos, o PlantBGC alcançou um ROC-AUC ao nível de token de 0,988 (CV de 10 dobras) e 0,979 (deixar uma classe de fora), superando os basais DeepBGC e Random Forest, particularmente ao generalizar para classes biossintéticas não vistas.
• Recuperação de Plantas (Estágio 2): Em um conjunto curado de 34 loci de BGC de plantas, a adaptação sem rótulos melhorou significativamente as taxas de recuperação. Sob critérios estritos de 100% de cobertura, a recuperação aumentou de 29,4% (modelo base microbiano) para 67,6% (modelo adaptado), indicando melhoria na completude das fronteiras.
• Redução de Falsos Positivos (Estágio 3): O estágio de supervisão fraca reduziu a proporção de candidatos proxy do tipo primário em 48,40% (usando evidência GO) e 45,20% (usando evidência KEGG). Esta redução foi estatisticamente significativa (Wilcoxon pareado $p = 1,53 \times 10^{-5}$) entre as espécies.
• Comparação com plantiSMASH: Em regiões genômicas correspondentes, o PlantBGC produziu loci substancialmente mais compactos que o plantiSMASH. A razão mediana de comprimento dos loci do PlantBGC em relação aos loci do plantiSMASH foi de 0,278, com 93,8% dos pares correspondentes sendo mais curtos no PlantBGC. Isso sugere que o PlantBGC delineia fronteiras mais estreitas e precisas, reduzindo o número de genes que requerem validação experimental.

Significância
O artigo afirma que o PlantBGC representa um passo significativo em direção à mineração de genomas em plantas escalável e assistida por IA. Ao transferir com sucesso a supervisão microbiana para plantas sem depender de rótulos escassos de plantas, o framework aborda uma lacuna crítica no campo. A capacidade de produzir loci candidatos compactos e de alta confiança traduz-se diretamente em uma redução na carga de trabalho experimental para validação downstream. Os autores posicionam este trabalho como um passo fundamental, observando que esforços futuros se concentrarão na incorporação de BGCs de plantas adicionais com resolução de coordenadas, integração de evidências ortogonais e validação experimental dos principais candidatos identificados pelo modelo do Estágio 3.