PKProbDesign: RNA inverse folding including pseudoknots by optimizing thermodynamic folding probability

Resumo Técnico de PKProbDesign

Definição do Problema
O enovelamento inverso de RNA envolve o design de sequências de RNA que se enovelam em estruturas secundárias alvo especificadas. Embora essencial para a engenharia de RNA funcional e biologia sintética, essa tarefa é particularmente desafiadora para alvos contendo pseudonós (pseudoknots), que violam as estruturas aninhadas. Os modelos de enovelamento termodinâmico padrão assumem estruturas aninhadas, o que torna a predição exata do enovelamento computacionalmente inviável para casos gerais (NP-difícil). Métios existentes de enovelamento inverso para alvos com pseudonós (ex: antaRNA, DesiRNA, MODENA) tipicamente dependem de estratégias de busca multiobjetivo que otimizam a concordância com uma estrutura predita ou utilizam objetivos baseados em preditores de estrutura. Existe uma lacuna significativa na otimização direta da probabilidade de enovelamento termodinâmico de um alvo de pseudonó específico dentro de um ensemble consciente de pseudonós. Tal abordagem requer um avaliador capaz de atribuir probabilidades de enovelamento específicas ao alvo para servir como um sinal de otimização direta.

Metodologia
Os autores apresentam o PKProbDesign, um framework de enovelamento inverso baseado em amostragem projetado especificamente para alvos de pseudonó de densidade-2. Esta classe de estruturas, definida por HFold e CParty, permite que interações cruzadas sejam organizadas em "bandas" de tal forma que nenhuma posição da sequência seja abrangida por mais de duas bandas.

A metodologia procede através de três estágios principais:

1. Decomposição do Alvo:
   Cada estrutura alvo de densidade-2 $R$ é decomposta em dois componentes disjuntos e livres de pseudonós: um andaime (scaffold, $G$) e um componente de extensão ($G'$), tal que $R = G \cup G'$. Isso é alcançado via um algoritmo guloso que ordena os pares de bases por aumento de abrangência (span) e atribui pares não-cruzados ao andaime até que os pares restantes formem a extensão.

2. Formulação do Objetivo Probabilístico:
   Em vez de otimizar para a concordância da estrutura de energia livre mínima (MFE), o PKProbDesign otimiza um objetivo de pseudo-probabilidade conjunta de enovelamento. Para uma sequência $S$, o escore é definido como:
   $$\tilde{P}_{joint}(S; R, G) = P(G | S) \cdot P(G' | G, S)$$

   • $P(G | S)$: A probabilidade de enovelamento do andaime, avaliada usando LinearPartition.
   • $P(G' | G, S)$: A probabilidade de enovelamento condicional do componente de extensão dado o andaime fixo. Isto é avaliado usando uma abordagem consistente com CParty, que computa a função de partição sobre estruturas de extensão condicionadas ao andaime, garantindo consistência com a hipótese de enovelamento hierárquico.
     O alvo de otimização é o log negativo esperado desta pseudo-probabilidade conjunta: $J(\theta) = E_{S \sim p_\theta}[-\log \tilde{P}_{joint}(S; R, G)]$.

3. Otimização Baseada em Amostragem:
   Seguindo a abordagem do SamplingDesign, o método otimiza uma distribuição de probabilidade $p_\theta(S)$ sobre o espaço de sequências válidas, em vez de uma única sequência.

   • Representação: Posições não pareadas são modeladas como variáveis categóricas de 4 vias ({A, C, G, U}), enquanto pares de bases são modelados como variáveis categóricas conjuntas de 6 vias sobre pares canônicos ({AU, UA, GC, CG, GU, UG}). Isso garante que as sequências amostradas satisfaçam inerentemente as restrições de pareamento.
   • Estimativa de Gradiente: O gradiente do escore esperado é aproximado usando amostragem de Monte Carlo. Em cada iteração, $K$ sequências são amostradas da distribuição atual, pontuadas e usadas para estimar o gradiente $\nabla_\theta J(\theta)$.
   • Atualização: Os parâmetros da distribuição são atualizados usando o otimizador Adam. O output final é a sequência de maior pontuação amostrada da distribuição otimizada.

Principais Contribuições

• Otimização Direta de Probabilidade para Pseudonós: O PKProbDesign é o primeiro framework a otimizar diretamente um objetivo de probabilidade de enovelamento termodinâmico para alvos de pseudonós, indo além da concordância de predição de estrutura.
• Avaliação de Ensemble Condicional: Introduz um mecanismo de pontuação que combina a probabilidade de enovelamento do andaime com uma probabilidade condicional consistente com CParty para o componente de extensão, permitindo o design baseado em probabilidade dentro da classe de densidade-2.
• Integração da Semântica HFold/CParty: O método aproveita a semântica de enovelamento hierárquico do HFold e as capacidades de função de partição do CParty para avaliar sequências em um ensemble consciente de pseudonós.

Resultados
O método foi avaliado em um benchmark de 354 alvos de densidade-2 do PseudoBase++ (comprimento de sequência $\le$ 100 nt).

• Desempenho da Probabilidade de Enovelamento: O PKProbDesign alcançou a maior pseudo-probabilidade conjunta de enovelamento em 221 de 354 alvos. Em comparação, o DesiRNA alcançou a maior probabilidade em 117 alvos, e o MODENA em 16 alvos.
• Análise de Componentes: Enquanto o DesiRNA mostrou um desempenho mais forte no termo do andaime ($P(G|S)$), o PKProbDesign demonstrou desempenho superior no termo condicional de extensão ($P(G'|G,S)$) e no escore combinado. Um teste de postos sinalizados de Wilcoxon confirmou a superioridade geral do PKProbDesign sobre o DesiRNA ($p = 1.96 \times 10^{-2}$).
• Predição de Estrutura: Quando avaliado usando a distância de Hamming de pares de bases normalizada sob três protocolos de predição diferentes (Viterbi no andaime alvo, MFE de dois estágios e Viterbi guiado por hotspots de HotKnot), o ranking dos métodos variou. Notavelmente, o MODENA teve um desempenho forte sob o protocolo guiado por hotspots, sugerindo que uma alta probabilidade de enovelamento nem sempre garante a melhor concordância de predição de estrutura sob todos os protocolos, e vice-versa.

Significância e Alegações
O artigo afirma que o PKProbDesign demonstra que o enovelamento inverso de pseudonós pode ser efetivamente formulado em torno de probabilidades de enovelamento do alvo, em vez de depender apenas da concordância de predição de estrutura. Ao decompor alvos em andaimes e extensões e utilizar avaliação de ensemble condicional, o método fornece um framework prático baseado em probabilidade para o design de sequências para alvos de pseudonó de densidade-2.

Os autores enfatizam que seu objetivo serve como uma métrica primária de promessa de candidato, enquanto a predição de estrutura deve ser tratada como um critério secundário e complementar. Eles reconhecem limitações, incluindo o uso de uma decomposição gulosa (aproximando a probabilidade conjunta exata) e a restrição à classe de densidade-2, observando que classes estruturais mais amplas podem ser necessárias para RNAs mais complexos. O trabalho sugere que separar a avaliação da probabilidade de enovelamento do comportamento de predição de estrutura oferece um framework mais claro para estudos futuros em enovelamento inverso de pseudonós.