MIDLPred: Ensemble Learning for Phenotype-Oriented Classification of Male Infertility Candidate Proteins from Primary Amino Acid Sequences

Resumo Técnico: MIDLPred – Aprendizado de Conjunto para Classificação de Proteínas Candidatas à Infertilidade Masculina Orientada ao Fenótipo

Declaração do Problema
A infertilidade masculina é uma condição multifatorial que envolve interações genéticas, moleculares e ambientais complexas. Embora os avanços na genética reprodutiva tenham identificado inúmeros genes e proteínas associados à espermatogênese e à função testicular, vincular proteínas candidatas a fenótipos clínicos específicos de infertilidade continua sendo um desafio significativo. Os métodos diagnósticos tradicionais, baseados principalmente na análise do sêmen e nos critérios da Organização Mundial da Saúde (OMS), muitas vezes carecem da sensibilidade e do insight mecanístico necessários para a medicina de precisão. Além disso, a natureza pleiotrópica dos genes relacionados à infertilidade complica a interpretação dos fenótipos. Há uma necessidade crítica de ferramentas computacionais capazes de extrair assinaturas moleculares biologicamente significativas diretamente de sequências primárias de aminoácidos para auxiliar na priorização de proteínas candidatas envolvidas nos mecanismos da infertilidade masculina.

Metodologia
O estudo apresenta o MIDLPred, um framework computacional projetado para classificar proteínas candidatas à infertilidade masculina em categorias orientadas ao fenótipo baseando-se exclusivamente em suas sequências primárias de aminoácidos. A metodologia segue uma abordagem estruturada de três fases:

1. Coleta e Pré-processamento de Dados:

   • Fonte: Um conjunto de dados dedicado foi construído integrando dados da Base de Conhecimento de Infertilidade Masculina (MIK) e do banco de dados UniProt.
   • Curadoria: A coleta inicial de 31.774 entradas de proteínas passou por uma limpeza rigorosa, incluindo a remoção de duplicatas, isoformas e variantes de sequência. As sequências foram filtradas para reter comprimentos entre 100 e 1.000 aminoácidos.
   • Conjunto de Dados Final: O conjunto de dados curado compreendeu 10.678 sequências proteicas únicas.
   • Estratégia de Classificação: Para lidar com a esparsidade de classe e a heterogeneidade biológica, as proteínas foram agrupadas em quatro categorias fenotípicas de alto nível: MOTILITY (defeitos de movimentação espermática), MORPH (anormalidades morfológicas), PHYSIO (fisiologia testicular/disfunção espermatogênica) e OTHER (condições heterogêneas como criptorquidia ou desordens endócrinas).
   • Pré-processamento: As sequências foram tokenizadas no nível de caractere (aminoácido), convertidas em inteiros e preenchidas (padded) até um comprimento fixo de 1.000 resíduos.

2. Arquitetura do Modelo:

   • Modelo Central: Uma Rede Neural Convolucional 1D (1D-CNN) foi desenvolvida para capturar dependências locais e motivos dentro das sequências proteicas.
   • Estrutura: A arquitetura inclui uma camada de incorporação (embedding) de 128 dimensões, três blocos convolucionais empilhados (128 filtros, tamanho de kernel 3, ativação ReLU) seguidos por MaxPooling1D, e uma série de camadas densas totalmente conectadas (256, 128, 64, 64 unidades) com ativação ReLU e Dropout (0.5) para evitar o sobreajuste (overfitting).
   • Saída: Uma camada densa final com 4 neurônios e ativação Softmax realiza a classificação multiclasse.
   • Treinamento: O modelo foi treinado utilizando o otimizador Adamax e perda de entropia cruzada categórica esparsa (sparse categorical crossentropy).

3. Estratégia de Aprendizado de Conjunto (Ensemble Learning):

   • Para aumentar a generalização e reduzir a variância, foi implementado um conjunto de dez modelos 1D-CNN treinados independentemente.
   • Agregação: As previsões foram agregadas usando a média probabilística (soma e média das probabilidades de classe previstas) para determinar o rótulo de classe final.
   • Validação: O desempenho foi avaliado usando validação cruzada de 5 dobras estratificada no conjunto de treinamento e um conjunto de teste de 10% mantido separadamente. As métricas incluíram acurácia, precisão, recall, F1-score, matrizes de confusão e curvas ROC.

Principais Resultados

• Desempenho: O conjunto MIDLPred alcançou uma acurácia de classificação geral de 96% e um F1-score ponderado de 96% através das quatro categorias fenotípicas.
• Métricas Específicas por Classe: O modelo demonstrou alta consistência entre as classes:
  • MORPH: Precisão 0.98, Recall 0.99, F1 0.98.
  • MOTILITY: Precisão 0.98, Recall 0.94, F1 0.96.
  • OTHER: Precisão 0.94, Recall 0.97, F1 0.95.
  • PHYSIO: Precisão 0.94, Recall 0.93, F1 0.94.
• Eficácia do Conjunto: A abordagem de conjunto produziu um ganho sistemático de desempenho sobre os modelos individuais, com o conjunto alcançando uma acurácia de 0.9757 comparada ao melhor modelo individual de 0.974. A baixa dispersão nas métricas entre os modelos (desvio padrão < 0.005) confirmou a estabilidade da arquitetura.
• Generalização: As curvas de perda e precisão indicaram um aprendizado eficaz sem sobreajuste significativo, uma vez que as métricas de treinamento e validação permaneceram estreitamente alinhadas.

Significância e Alegações
Os autores posicionam o MIDLPred não como uma ferramenta de diagnóstico autônoma, mas como um framework de suporte à decisão bioinformática. Sua principal significância reside em:

1. Priorização: Auxiliar clínicos, biólogos reprodutivos e geneticistas na priorização de proteínas candidatas para investigação experimental adicional, identificando assinaturas de sequência associadas ao fenótipo.
2. Insight Molecular: Demonstrar que informações biologicamente relevantes sobre fenótipos de infertilidade estão incorporadas nas sequências primárias de proteínas, as quais podem ser decodificadas por aprendizado profundo sem anotações estruturais explícitas.
3. Geração de Hipóteses: Fornecer uma plataforma para gerar hipóteses biologicamente relevantes sobre os mecanismos moleculares da infertilidade masculina, potencialmente guiando a descoberta de novos biomarcadores.
4. Integração: Destacar o valor da integração da inteligência artificial com a genética reprodutiva. Os autores observam que futuras iterações poderiam incorporar IA explicável (XAI), modelos de linguagem de proteínas e dados multiômicos para melhorar ainda mais a interpretabilidade biológica e a aplicabilidade clínica.

O estudo conclui que o MIDLPred representa um passo significativo em direção à medicina de precisão na reprodução masculina, oferecendo um método computacionalmente eficiente e preciso para explorar o panorama molecular da infertilidade através da análise de sequências proteicas.