How Not to be Seen: Predicting Unseen Enzyme Functions using Contrastive Learning

O artigo apresenta o EnzPlacer, um algoritmo de aprendizado contrastivo que prevê funções enzimáticas desconhecidas ao posicionar sequências proteicas em um contexto funcional preciso, mesmo quando o número EC específico não está presente nos dados de treinamento.

O essencial

Imagine que você é um bibliotecário em uma biblioteca gigante chamada "Vida". Nessa biblioteca, cada livro é um enzima (uma proteína que faz o trabalho pesado nas células, como digerir comida ou reparar DNA). O problema é que a maioria desses livros está escrita em um código estranho e ninguém sabe exatamente qual é o título ou o assunto de cada um.

A ciência já catalogou alguns livros, mas a cada dia descobrimos milhões de novos "livros" (sequências de DNA) que nunca foram lidos. A tarefa difícil é: como descobrir o que esses livros novos fazem, sem ter um rótulo pronto para eles?

Este artigo apresenta uma nova ferramenta chamada EnzPlacer (o "Colocador de Enzimas") que tenta resolver esse quebra-cabeça. Aqui está a explicação simples:

1. O Problema: O "Livro Sem Título"

Normalmente, os cientistas usam um sistema de classificação chamado EC (Comissão de Enzimas). Pense nele como um sistema de endereçamento de uma cidade:

• EC 1 (Classe): É o bairro (ex: Bairro das "Oxidases").
• EC 2 (Subclasse): É a rua (ex: Rua das "Transferências").
• EC 3 (Sub-subclasse): É o quarteirão (ex: Quarteirão das "Fosfodiesterases").
• EC 4 (Número Serial): É o número exato da casa (ex: Casa 42).

O problema é que, com tantos novos livros aparecendo, muitas vezes não sabemos o número exato da casa (EC 4). A ciência ainda não descobriu essa função específica. Mas, e se pudéssemos pelo menos dizer com certeza em qual quarteirão (EC 3) ou rua (EC 2) esse livro está? Isso já ajudaria muito os cientistas a saberem por onde começar a investigar.

2. A Solução: O "GPS de Semelhança" (EnzPlacer)

Antes, os cientistas tentavam achar um livro novo comparando-o com os livros antigos, letra por letra. Se as letras fossem muito parecidas, eles assumiam que o livro novo era igual ao antigo. Isso funciona bem se os livros forem "primos próximos", mas falha miseravelmente se o livro novo for um "primo distante" (com sequências muito diferentes).

O EnzPlacer faz algo mais inteligente. Ele usa uma técnica chamada Aprendizado Contrastivo Hierárquico.

A Analogia da Festa:
Imagine que você está em uma festa gigante onde todas as pessoas são enzimas.

• O método antigo (BLAST): Você olha para uma pessoa nova e pergunta: "Você se parece com alguém que eu já conheci?". Se a pessoa nova tiver um terno muito parecido com o de um conhecido, você a coloca no mesmo grupo. Se ela estiver vestida de forma diferente, você não sabe onde colocá-la.
• O método EnzPlacer: Em vez de olhar apenas para a roupa (sequência de letras), o EnzPlacer olha para a essência da pessoa e cria um mapa mental da festa. Ele aprende que, mesmo que duas pessoas usem roupas diferentes, se elas estiverem dançando a mesma música (fazendo a mesma reação química), elas devem ficar no mesmo quadrado do mapa.

O EnzPlacer usa um "GPS" que aprendeu a organizar a festa não apenas por quem se parece com quem, mas por famílias. Ele sabe que, mesmo que você nunca tenha visto a "Casa 42" antes, se ela estiver no "Quarteirão 3.1.4", ela deve ficar perto de todas as outras casas desse quarteirão, não importa o que elas estejam vestindo.

3. Como eles testaram isso?

Os pesquisadores criaram um cenário difícil para testar o EnzPlacer:

• Eles pegaram um monte de livros novos que nunca tinham sido vistos antes (nenhum deles tinha o número de casa EC 4 no treinamento).
• Eles pediram para o EnzPlacer e para outros métodos tentarem adivinhar apenas o Bairro (EC 1), a Rua (EC 2) e o Quarteirão (EC 3).

O Resultado:
O EnzPlacer foi o campeão! Mesmo quando os livros novos eram muito diferentes dos antigos (como se fossem de outra cultura), o EnzPlacer conseguiu dizer: "Ok, este livro não é um 'Bairro de Oxidases', é um 'Bairro de Hidrolases', e especificamente está no 'Quarteirão das Fosfodiesterases'".

Os outros métodos, que dependiam apenas de comparar letras (como o BLAST), se perderam completamente quando as semelhanças eram pequenas.

4. Por que isso é importante?

Imagine que você é um detetive investigando um crime.

• Se você disser: "O suspeito é um humano", isso é pouco útil (EC 1).
• Se você disser: "O suspeito é um homem", é um pouco melhor (EC 2).
• Mas se você disser: "O suspeito é um homem que trabalha com química de fosfatos", isso é muito útil (EC 3).

Mesmo que você não saiba o nome completo do suspeito (EC 4), saber o "quarteirão" dele permite que os cientistas façam testes específicos para confirmar a função. O EnzPlacer não adivinha o nome do livro novo; ele apenas coloca o livro na prateleira correta da biblioteca, mesmo que seja uma prateleira que ninguém visitou antes.

Resumo Final

O EnzPlacer é como um novo sistema de organização para a biblioteca da vida. Ele não precisa saber o nome exato de um livro novo para saber onde ele deve ficar. Ele usa a "vibe" e a estrutura da família para colocar o livro no lugar certo, ajudando os cientistas a descobrir o que esses novos livros fazem, mesmo quando eles são muito diferentes de tudo o que já conhecemos.

Isso acelera a descoberta de novos remédios, enzimas industriais e a compreensão da vida, transformando "livros sem título" em "livros com um endereço provável".

Resumo técnico

Resumo Técnico: EnzPlacer e a Previsão de Funções Enzimáticas Inéditas

1. O Problema

A previsão da função de proteínas a partir de sua sequência é um desafio fundamental na biologia computacional. Embora a anotação experimental seja precisa, menos de 0,1% das sequências de proteínas públicas estão anotadas dessa forma. Com a explosão de dados genômicos, há um grande volume de sequências enzimáticas potenciais que ainda não foram caracterizadas bioquimicamente.

O problema central abordado neste trabalho é a generalização para classes EC (Comissão de Enzimas) inéditas. A maioria dos modelos de previsão de função assume que as classes de teste já existem no conjunto de treinamento (avaliação "in-distribution"). No entanto, na realidade, muitas novas enzimas possuem funções que não têm um número EC específico (quarta posição) conhecido. O objetivo não é adivinhar um rótulo inexistente, mas sim posicionar a sequência desconhecida com precisão dentro do espaço funcional conhecido (níveis EC1, EC2 e EC3), fornecendo hipóteses falsificáveis para experimentadores.

2. Metodologia

A. Dados e Estratégia de Divisão (Split)

• Fonte: 237.492 registros de enzimas do banco de dados ExPASy ENZYME, mapeados para UniProtKB.
• Limpeza: Remoção de enzimas multifuncionais, anotações incompletas e duplicatas, resultando em 183.613 proteínas.
• Divisão "Inédita" (Unseen Split): Diferente da divisão tradicional, os autores criaram um cenário onde os rótulos EC4 (nível específico) no conjunto de teste não aparecem no treinamento.
  • As famílias EC3 (os três primeiros dígitos) presentes no teste existem no treinamento.
  • O objetivo é prever os níveis EC1-EC3 para enzimas com um EC4 nunca visto antes.
  • Foram criados subconjuntos de baixa similaridade (filtrados por BLASTp com identidade <50%, <30% e <10%) para testar a robustez contra homólogos próximos.

B. Arquitetura do Modelo: EnzPlacer
O método proposto, EnzPlacer, baseia-se em aprendizado contrastivo supervisionado com uma inovação hierárquica:

1. Representação: Utiliza embeddings pré-treinados do modelo de linguagem proteica ESM-1b como entrada (fixos).
2. Projeto: Um cabeçalho de projeção leve (MLP) transforma os embeddings em um espaço latente $z(x)$.
3. Objetivo de Aprendizado (HiNCE - Hierarchical Exemplar Contrastive Objective):
   • O modelo combina duas perdas:
     • Perda Contrastiva Supervisionada (Local): Puxa proteínas com o mesmo rótulo EC4 para perto e empurra as diferentes para longe.
     • Perda de Exemplar Hierárquico (Global): Introduz centróides para cada prefixo da hierarquia EC (EC1, EC2, EC3, EC4). O modelo é forçado a alinhar o embedding de uma enzima não apenas com seu EC4 exato, mas também com os centróides de seus prefixos superiores (ex: uma enzima 1.2.3.4 deve estar próxima dos centróides de 1, 1.2 e 1.2.3).
   • Isso cria um espaço geométrico onde a vizinhança é preservada mesmo que o rótulo final (EC4) mude, permitindo inferência correta dos níveis superiores.
4. Amostragem de Negativos Duros: O modelo utiliza uma estratégia de "hard negatives", focando em famílias enzimáticas confusas (similares no espaço de embedding, mas com rótulos diferentes) para refinar a separação.

C. Avaliação

• Métricas: Precisão, Recall, F1-macro e Acurácia nos níveis EC1, EC2 e EC3.
• Baselines Comparados:
  • BLASTp: Transferência por homologia tradicional.
  • CLEAN: Aprendizado contrastivo supervisionado (sem hierarquia explícita).
  • GloEC: Rede GCN hierárquica.
  • ProteInfer: Redes convolucionais profundas.

3. Resultados Principais

A. Cenário Inédito (Unseen-EC4)

• Desempenho Geral: A tarefa é extremamente difícil; mesmo os melhores modelos têm pontuações modestas, especialmente no nível EC3.
• Superioridade do EnzPlacer: O EnzPlacer superou consistentemente todos os baselines (CLEAN, GloEC, BLASTp) em acurácia e F1-macro nos níveis EC2 e EC3.
  • Exemplo (EC2): EnzPlacer atingiu 0,4350 de acurácia vs. 0,3854 do CLEAN.
  • Exemplo (EC3): EnzPlacer atingiu 0,3563 de acurácia vs. 0,29xx dos baselines.
• Robustez em Baixa Similaridade: Quando os homólogos próximos foram removidos (filtro <10% de identidade), o desempenho do BLASTp colapsou drasticamente, enquanto o EnzPlacer manteve uma vantagem relativa significativa. Isso indica que o espaço de representação aprendido captura sinais funcionais além da simples similaridade de sequência.
• Caso de Estudo: O modelo corretamente classificou enzimas da família "fosfodiesterase" (EC 3.1.4) que foram erroneamente classificadas como quinases (EC 2.7.11) pelo BLASTp e outros métodos, demonstrando a capacidade de preservar a química da reação mesmo sem homologia exata.

B. Cenário Tradicional (Seen-EC4)

• Quando os rótulos de teste já existiam no treinamento, todos os métodos performaram bem (acurácia >90%), com o EnzPlacer superando ligeiramente os outros. Isso valida que a hierarquia não prejudica o desempenho em cenários fáceis, mas é crucial para o cenário difícil.

C. Visualização

• Visualizações t-SNE mostraram que o espaço de embedding do EnzPlacer possui uma coesão de família EC3 muito superior ao ESM bruto, agrupando enzimas com a mesma química de reação (mesmo com EC4 diferentes) e separando-as de outras famílias, confirmando a eficácia do objetivo hierárquico.

4. Contribuições Chave

1. Novo Protocolo de Avaliação: Estabelecimento de um benchmark rigoroso para "funções inéditas" (Unseen-EC4), simulando cenários reais de descoberta de novas enzimas onde o rótulo exato não existe no treinamento.
2. Algoritmo HiNCE: Proposta de um objetivo de aprendizado contrastivo que integra explicitamente a estrutura de árvore (DAG) da classificação EC através de centróides hierárquicos, permitindo que o modelo generalize para prefixos EC superiores mesmo quando o nível inferior é desconhecido.
3. EnzPlacer: Uma ferramenta de código aberto que demonstra que a geometria do espaço de embedding é tão importante quanto a qualidade da representação para a previsão de função em cenários de dados escassos e não vistos.

5. Significado e Implicações

• Impacto Biológico: A capacidade de prever corretamente os níveis EC2 e EC3 para enzimas não caracterizadas reduz drasticamente o espaço de busca experimental. Em vez de testar milhares de possibilidades, os pesquisadores podem focar em mecanismos de reação específicos (ex: distinguir hidrolases de fosfodiéster de quinases).
• Mineração Genômica: A ferramenta é particularmente valiosa para pipelines de metagenômica, onde muitas enzimas não possuem homólogos próximos conhecidos.
• Futuro: O trabalho destaca que a previsão de função não é apenas um problema de classificação, mas de geometria de representação. Ele sugere que futuros modelos devem incorporar mais sinais além da sequência (estrutura, cofatores) e lidar melhor com enzimas multifuncionais e promíscuas.

Em resumo, o artigo demonstra que, ao alinhar a geometria do espaço de aprendizado com a hierarquia biológica das enzimas, é possível fazer previsões funcionais robustas mesmo para sequências que não têm anotações exatas no banco de dados de treinamento, superando significativamente os métodos baseados apenas em homologia ou aprendizado de máquina tradicional.