PRIZM: Combining Low-N Data and Zero-shot Models to Design Enhanced Protein Variants

O artigo apresenta o PRIZM, um fluxo de trabalho de duas fases que combina conjuntos de dados experimentais pequenos com modelos zero-shot pré-treinados para identificar o modelo mais adequado e priorizar variantes proteicas melhoradas, oferecendo uma rota acessível e eficiente em dados para o design de proteínas.

O essencial

Imagine que você é um chef de cozinha tentando criar uma nova receita de bolo que seja mais leve e saborosa. Você tem duas opções:

1. O Método do Chef Experiente (Aprendizado Supervisionado): Você pede ajuda a um especialista em IA que precisa de milhares de receitas antigas e testes de degustação para aprender a fazer o bolo perfeito. O problema? Você só tem tempo e ingredientes para fazer e provar 20 bolinhos no total. Com tão poucos dados, a IA fica confusa e pode até "decorar" os 20 bolinhos sem aprender a regra geral (o famoso overfitting).
2. O Método do Guia Cego (Modelos Zero-Shot): Você contrata um guia turístico que já viajou por todo o mundo e conhece milhões de receitas de bolos de outros lugares. Ele nunca viu o seu bolo específico, mas sabe as regras gerais da culinária. O problema aqui é que existem 25 guias diferentes, e você não sabe qual deles entende melhor o tipo de bolo que você quer fazer (um bolo de chocolate, um de cenoura, etc.). Se escolher o guia errado, ele pode sugerir ingredientes que estragam a receita.

O PRIZM é a solução perfeita que une os dois mundos.

Aqui está como o PRIZM funciona, explicado de forma simples:

O que é o PRIZM?

PRIZM significa "Protein Ranking using Informed Zero-shot Modelling". Em português, seria algo como "Classificação de Proteínas usando Modelos Cegos Informados".

Pense nele como um detetive inteligente que ajuda você a escolher o melhor guia turístico (a IA) usando apenas um pequeno grupo de testes que você já fez.

Como funciona a "Receita" do PRIZM?

O processo tem duas fases principais:

Fase 1: A Prova de Fogo (Seleção do Modelo)

Você tem uma pequena caixa com 20 a 50 bolinhos (variantes de proteína) que você já testou e sabe se ficaram bons ou ruins.

• O PRIZM pega esses 20 bolinhos e os mostra para os 25 guias turísticos (os modelos de IA pré-treinados).
• Cada guia tenta adivinhar quais bolinhos seriam os melhores.
• O PRIZM compara as previsões dos guias com a realidade (o que você já testou).
• O Resultado: Ele diz: "Olha, o Guia A errou feio, mas o Guia B acertou quase tudo!". Assim, você descarta os guias ruins e fica apenas com o melhor especialista para o seu caso específico.

Fase 2: A Grande Exploração (Seleção de Variantes)

Agora que você sabe qual é o melhor guia, ele é enviado para explorar um mar infinito de possibilidades (uma biblioteca virtual de milhões de combinações de ingredientes).

• O guia usa seu conhecimento geral para classificar todas as combinações possíveis.
• Ele entrega para você uma lista dos Top 10 bolinhos que, segundo ele, têm maior chance de serem incríveis.
• Você então vai ao laboratório e testa apenas esses poucos escolhidos, economizando tempo e dinheiro.

Por que isso é revolucionário?

1. Economia de Recursos: Antigamente, para usar IA em biologia, você precisava de milhões de dados. O PRIZM funciona com apenas 20 dados. É como conseguir um mapa do tesouro confiável usando apenas uma pequena bússola e um pedaço de papel.
2. Sem Especialista em IA: Você não precisa ser um gênio da computação. O PRIZM faz o trabalho chato de escolher o modelo certo por você.
3. Reaproveitamento: Ele permite usar dados antigos de experimentos que já foram feitos, em vez de exigir que você faça novos testes do zero.

Os Resultados na Prática (Os Casos de Uso)

Os cientistas testaram essa "receita" em dois laboratórios reais:

• Caso 1 (A Proteína "Bolo de Chocolate"): Eles queriam tornar uma enzima (açúcar sintase) mais resistente ao calor. Usando dados antigos de 68 testes, o PRIZM escolheu os melhores guias e encontrou uma nova versão da enzima que aguentava 3°C a mais de calor e mantinha sua força por mais tempo.
• Caso 2 (A Proteína "Bolo de Cenoura"): Eles queriam melhorar a atividade de outra enzima para produzir remédios. Desta vez, tinham apenas 8 testes iniciais (muito pouco!). Mesmo assim, o PRIZM conseguiu identificar uma nova versão da enzima que era 20% mais eficiente do que a original.

A Analogia Final

Imagine que você está tentando encontrar a melhor rota para chegar ao trabalho em um dia de chuva.

• O método antigo exigiria que você dirigisse por 10.000 dias diferentes para aprender o caminho.
• O método zero-shot seria perguntar para 25 pessoas que nunca estiveram na sua cidade, mas que conhecem o trânsito mundial. Você não sabe quem confiar.
• O PRIZM é como pegar um mapa de 20 dias de chuva que você já viveu, mostrar para as 25 pessoas e ver quem acertou a rota. Depois, você pede apenas para a pessoa que acertou te dar a melhor rota para o futuro.

Resumo: O PRIZM é uma ferramenta que torna a engenharia de proteínas acessível, rápida e barata, permitindo que cientistas (e até não-especialistas) criem proteínas melhores usando o poder da inteligência artificial, mesmo com pouquíssimos dados experimentais.

Resumo técnico

Título: PRIZM: Combinando Dados de Baixa N (Low-N) e Modelos Zero-shot para Projetar Variantes Proteicas Aprimoradas

1. O Problema

A engenharia de proteínas enfrenta dois desafios principais ao utilizar aprendizado de máquina (ML):

• Aprendizado Supervisionado (MLDE): Métodos tradicionais exigem grandes conjuntos de dados de treinamento robustos e alta qualidade, além de expertise computacional significativa para evitar overfitting, especialmente em cenários de "baixa N" (poucos dados experimentais). A divisão treino-teste torna-se estatisticamente inviável com poucos variantes, e a reutilização de dados existentes é frequentemente negligenciada em favor de novos conjuntos de dados, aumentando a carga experimental.
• Modelagem Zero-shot: Embora modelos de fundação (foundation models) pré-treinados possam prever efeitos de mutações sem dados específicos da tarefa (zero-shot), a seleção do modelo mais adequado para uma proteína ou propriedade específica é não trivial. Existem muitos modelos disponíveis, e o desempenho varia drasticamente dependendo da tarefa, sem uma maneira principial de selecionar o melhor preditor para um sistema específico sem dados experimentais.

Não existe atualmente uma abordagem acessível que combine a generalidade dos modelos de fundação com insights experimentais específicos da tarefa, sem exigir re-treinamento complexo ou grandes volumes de dados.

2. Metodologia: O Fluxo de Trabalho PRIZM

O PRIZM (Protein Ranking using Informed Zero-shot Modelling) é um fluxo de trabalho de duas fases projetado para identificar e utilizar o modelo zero-shot mais adequado para uma propriedade proteica alvo, utilizando apenas um pequeno conjunto de dados experimentais (Low-N).

• Fase 1: Seleção e Classificação de Modelos (Model Ranking)

  • Entrada: Um pequeno conjunto de dados experimentais (Low-N, tipicamente ~20-50 variantes rotuladas) contendo sequências, estruturas (preditas ou cristais) e alinhamentos de sequência múltipla (MSA).
  • Processo: O PRIZM aplica uma coleção de 25 modelos zero-shot pré-treinados (baseados no ProteinGym) que utilizam diferentes tipos de entrada (sequência, MSA, estrutura ou combinações).
  • Avaliação: As pontuações zero-shot de cada modelo são comparadas com os valores experimentais reais. São calculadas duas métricas de desempenho:
    1. Correlação de Spearman Absoluta: Avalia a capacidade de classificação (rank) do modelo. Correlações negativas são tratadas como informativas (inversão de sinal).
    2. Precisão Média (Average Precision): Avalia a capacidade de classificar variantes de alto desempenho acima de um limiar definido pelo usuário (ex: valor da proteína selvagem - WT).
  • Saída: Um modelo único (ou um conjunto de modelos) é selecionado como o melhor preditor para a propriedade específica, com base na soma normalizada dessas métricas.

• Fase 2: Seleção de Variantes (Variant Ranking)

  • Entrada: Uma biblioteca in silico de variantes (ex: mutações de ponto único em toda a proteína).
  • Processo: O(s) melhor(es) modelo(s) identificado(s) na Fase 1 é(são) aplicado(s) para gerar pontuações para toda a biblioteca virtual.
  • Saída: Uma lista classificada de variantes candidatas para caracterização experimental, utilizando estratégias como seleção "Greedy Top K", combinação de rankings de múltiplos modelos ou integração com conhecimento de domínio.

3. Contribuições Principais

• Abordagem Híbrida Acessível: O PRIZM elimina a necessidade de re-treinamento de modelos ou expertise em ML, permitindo que pesquisadores não especialistas utilizem modelos de fundação complexos de forma eficiente.
• Eficiência de Dados: Demonstra que é possível selecionar o modelo zero-shot ideal com apenas ~20 variantes rotuladas, tornando viável o uso de dados históricos ou de campanhas de engenharia anteriores.
• Flexibilidade de Entrada: O sistema suporta modelos baseados em sequência, MSA, estrutura e modelos multimodais, permitindo a seleção do tipo de informação mais relevante para a proteína alvo.
• Reutilização de Dados: Oferece uma metodologia para aproveitar conjuntos de dados experimentais existentes (Low-N) que seriam insuficientes para treinar modelos supervisionados, mas suficientes para guiar a seleção de modelos zero-shot.

4. Resultados

• Validação em Benchmarks: O PRIZM foi testado em 10 conjuntos de dados de Deep Mutational Scanning (DMS) cobrindo diversas propriedades (agregação, atividade de receptor, termostabilidade, resistência a inibidores, fluorescência, ligação a peptídeos e atividade enzimática).
  • O fluxo conseguiu distinguir consistentemente entre modelos de alto e baixo desempenho com conjuntos de dados de apenas 20 variantes (Cohen's d > 0,5).
  • Com 50 variantes, os modelos selecionados pelo PRIZM geralmente atingiram desempenho comparável ao melhor modelo global do conjunto de dados completo.
  • A seleção de modelos mostrou-se robusta a diferentes limiares de binarização.
• Estudo de Caso 1: Termostabilidade da Sintase de Sacarose (GmSuSy):
  • Utilizando um conjunto de dados pré-existente de 68 variantes, o PRIZM identificou os melhores modelos (Tranception No Retrieval, MIFST, MSA Transformer).
  • A seleção guiada pelo PRIZM identificou uma variante (F468I) com um aumento de ~3,0°C na temperatura de fusão aparente ($T_m$) e maior estabilidade cinética, superando todas as variantes do conjunto original.
• Estudo de Caso 2: Atividade de Glicosiltransferase (TOGT1_1):
  • Em um cenário extremamente de baixa N (apenas 8 variantes iniciais), o PRIZM selecionou o modelo VenusREM.
  • A abordagem guiada por zero-shot identificou variantes com ~20% de aumento na atividade relativa em comparação com a WT, alcançando uma taxa de sucesso (hit rate) de 60% para variantes melhoradas.
  • Destaca-se que as variantes encontradas estavam em regiões distantes do sítio ativo, que teriam sido ignoradas em um design racional tradicional.

5. Significância e Impacto

O PRIZM representa um avanço significativo na democratização da engenharia de proteínas baseada em IA. Ao resolver o problema de "qual modelo escolher" sem exigir grandes quantidades de dados, ele:

1. Reduz a Barreira de Entrada: Permite que biólogos e engenheiros de proteínas utilizem modelos de fundação de última geração sem precisar de especialistas em ML.
2. Otimiza Recursos Experimentais: Minimiza a necessidade de novas campanhas de triagem extensivas, permitindo que dados antigos sejam reutilizados para guiar novas descobertas.
3. Ponte entre Abordagens: Serve como uma estratégia ortogonal ao aprendizado supervisionado, focando na seleção inteligente de preditores pré-treinados em vez de ajuste fino (fine-tuning).
4. Aplicabilidade Geral: É uma ferramenta escalável e agnóstica à propriedade, aplicável desde a termostabilidade até a atividade catalítica e ligação a receptores.

O código e os dados estão disponíveis publicamente, facilitando a adoção imediata pela comunidade científica para acelerar o design de proteínas.