Information-Geometric Audits of Macromolecular Ensembles: A Prescriptive Protocol for Latent Dimension Selection

Resumo Técnico: Auditorias Geométrico-Informacionais de Ensembles Macromoleculares

Definição do Problema
A análise computacional de ensembles macromoleculares depende da redução de dimensionalidade (RD) para extrair representações latentes de baixa dimensão ($z \in \mathbb{R}^d$) a partir de espaços de configuração de alta dimensão ($x \in \mathbb{R}^{3N}$). Uma questão crítica e não resolvida no campo é determinar o número fisicamente necessário de dimensões latentes ($d$). As heurísticas de seleção atuais — como variância explicada (PCA), lacunas espectrais (tICA) ou precisão cinética validada por validação cruzada (VAMP/GMRQ) — são calibradas em relação a proxies estatísticos ou fidelidades cinéticas específicas. Esses métodos falham em contabilizar o custo termodinâmico da informação perdida durante a compressão. Consequentemente, podem selecionar dimensões que capturam ruído térmico irrelevante ou, inversamente, descartar variáveis coletivas macroscópicas, levando a previsões qualitativamente incorretas de taxas de enovelamento, comunicação alostérica e paisagens de energia livre. Há uma carência de um arcabouço principiológico que conecte a seleção de dimensão diretamente à termodinâmica e à geometria do ensemble molecular.

Metodologia: Um Protocolo Prescritivo de Três Estágios
Os autores propõem um arcabouço de geometria da informação que reformula a seleção de dimensão latente como um problema físico solucionável via um protocolo de três estágios. Esta abordagem integra a geometria da informação e a termodinâmica estocástica para avaliar candidatos a dimensionalidade baseando-se no custo termodinâmico global, distorção geométrica local e otimização taxa-distorção.

• Estágio I: Triagem Termodinâmica via Energia Livre de Compressão
  O protocolo define a energia livre de compressão, $\Delta F_{\text{compressão}}(d) = k_B T D_{KL}(P \parallel Q_d)$, onde $P$ é o ensemble de Boltzmann verdadeiro e $Q_d$ é a reconstrução de $d$ dimensões. Esta quantidade é identificada como a divergência de Kullback–Leibler entre distribuições, a qual, via o limite de Landauer generalizado, representa o trabalho termodinâmico mínimo necessário para executar a compressão.

  • Procedimento: O ganho termodinâmico marginal, $\delta F(d)$, é calculado para o aumento de $d$. Um "cotovelo termodinâmico" é identificado onde o ganho marginal cai abaixo de um nível de ruído (ex: uma diminuição de dez vezes). Isso filtra dimensões que são ou muito pequenas (descartando modos macroscópicos) ou muito grandes (sobreajuste ao ruído térmico), produzindo um conjunto de candidatos termodinamicamente admissíveis ($D_I$).

• Estágio II: Auditoria Geométrica via Curvatura de Riemann
  O escalar $\Delta F_{\text{compressão}}$ é uma média espacial e não pode revelar onde na dimensão latente a compressão falha. Para resolver isso, o protocolo computa a métrica de informação de Fisher ($g_{ij}$) na variedade (manifold) latente e sua curvatura escalar associada ($R(z)$).

  • Procedimento: O campo de curvatura identifica regiões onde o arcabouço de RD é forçado a distorcer geometricamente o verdadeiro cenário de energia (ex: confundindo estados de transição ou achatando barreiras). Duas estatísticas são computadas: a razão de pico de curvatura ($\rho$) e a fração de cobertura de pontos quentes ($\eta$). Candidatos são rejeitados se a curvatura for muito acentuada ou extensa, indicando que a dimensionalidade é topologicamente insuficiente para resolver corredores de transição críticos. Isso gera um conjunto geometricamente admissível ($D_{II}$).

• Estágio III: Classificação via Otimização Taxa-Distorção
  O estágio final identifica a dimensionalidade ótima $d^*$ localizando a transição de fase crítica na curva empírica taxa-distorção.

  • Procedimento: O protocolo avalia o compromisso entre a taxa de compressão (informação mútua $I(X; Z)$) e a distorção de energia ($E[|U(x) - U(\hat{x})|^2]$). A $d^*$ ótima é definida como o ponto de máxima curvatura (o "cotovelo") nesta curva, representando a transição de filtrar ruído térmico descoordenado para descartar ativamente variáveis coletivas macroscópicas. Um escore físico composto classifica os candidatos sobreviventes.

Principais Contribuições

1. Arcabouço Teórico: O artigo estabelece $\Delta F_{\text{compressão}}$ como a medida de custo físico canônica para a compressão latente, ligando rigorosamente o erro de representação à cota de Landauer sobre a erradicação de informação irreversível. Ele também deriva a métrica de informação de Fisher e a curvatura escalar de Riemann como a decomposição diferencial local dessa penalidade global.
2. Protocolo Metodológico: Introduz um protocolo agnóstico ao método com estimadores explícitos para dados de simulação finitos. Diferente de abordagens anteriores, ele impõe simultaneamente fidelidade termodinâmica (via $\Delta F$) e fidelidade geométrica/topológica (via curvatura), em vez de otimizar apenas para variância ou taxas cinéticas.
3. Diagnósticos Comparativos: O arcabouço fornece uma base fisicamente interpretável para comparar métodos de RD (PCA, tICA, VAE) ao revelar perfis de distorção específicos do método (ex: viés distribuído em PCA, priorização de escala de tempo em tICA e mapeamento quase isométrico em VAE) que são invisíveis a critérios de seleção escalares.

Resultados
O protocolo foi validado no potencial Müller–Brown de alta dimensão embutido, um sistema com verdade fundamental analyticamente conhecida de $d^* = 2$ (representando dois caminhos de transição independentes) embutido em $D=50$ dimensões com 48 coordenadas de ruído Gaussiano.

• Desempenho: O protocolo recuperou de forma inequívoca $d^* = 2$ através de três regimes de compressão distintos: linear (PCA), motivado cineticamente (tipo tICA) e generativo não linear (tipo VAE).
• Comparação com Heurísticas: Heurísticas existentes falharam em identificar consistentemente a dimensionalidade correta. O critério de variância explicada selecionou $d = 7–9$, e a heurística de lacuna espectral falhou em dois dos três métodos.
• Insights Diagnósticos:
  • O Estágio I identificou corretamente $d=1$ e $d=2$ como termodinamicamente significativos, mas não pôde rejeitar $d=1$ isoladamente.
  • O Estágio II rejeitou $d=1$ ao detectar severa distorção geométrica (conflito de dois pontos de sela em um único coordenada latente), evidenciada por altas razões de curvatura e frações de cobertura.
  • O Estágio III confirmou $d=2$ como o ótimo global, situado na transição de fase aguda entre a captura de informação macroscópica e a absorção de ruído.

Significância e Alegações
O artigo afirma fornecer a primeira equivalência rigorosa entre o erro de representação de aprendizado de máquina e a dissipação física termodinâmica. Ao estabelecer uma linguagem comum baseada na mecânica estatística, o arcabouço permite que representações latentes moleculares sejam auditadas, comparadas e melhoradas com base em princípios físicos, em vez de proxies estatísticos. Os autores afirmam que este protocolo transforma a seleção de dimensão de um exercício de ajuste de hiperparâmetros em uma afirmação física falsificável sobre quais graus de liberdade são relevantes para o sistema biológico. O trabalho é apresentado como uma fundação necessária para a análise de simulações moleculares e modelos generativos profundos cada vez mais complexos, oferecendo um método prescritivo para garantir que as representações latentes preservem fielmente a estrutura termodinâmica e cinética do ensemble.