Do protein representations encode variant function? Diagnosing residue-level protein attributions via embedding-space gradients
本文介绍了 IGLOO，这是一个通过将蛋白质语言模型适应度预测器的残基级归因与具有已知真值的合成景观进行基准测试，来评估并提高其忠实度的框架，该框架揭示了高预测准确度并不保证准确的解释，并展示了模型干预如何能显著增强归因的可靠性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在浩瀚的生命图书馆中，构建每一个生物体的指令都由由四个字母组成的编码编写而成。对于蛋白质——这些在我们的细胞内承担重任的分子——而言，这段代码是一条长长的氨基酸链。科学家们最近通过向计算机展示数百万个天然蛋白质序列，教会了计算机阅读这段代码。这些被称为“蛋白质语言模型”的计算机程序在预测链中微小的变化将如何影响蛋白质的功能方面，已经变得极其出色。如果科学家想要设计一种用于分解塑料的新型酶或更好的药物，他们可以询问这些计算机，让其预测哪些变化会使蛋白质的工作效率更高。
然而，在“知其然”与“知其所以然”之间存在着危险的鸿接收。计算机可能会预测改变代码中的某个特定字母会改善蛋白质，但它可能是在错误的原因下做出的猜测。这就像一个学生通过背诵答案解析而非理解公式来在数学考试中取得正确答案。如果工程师依赖这些猜测来建造真实的生物机器，他们最终可能会设计出在实验室中失败的蛋白质，因为计算机观察的是蛋白质链中错误的部位。该领域面临的一个关键问题一直是：当计算机指向蛋白质的某个特定位置并说“这个部分很重要”时，我们真的能信任它吗？
多伦多大学和 Vector 研究所的一个研究小组致力于通过一个名为 IGLOO 的新框架来回答这个问题。他们不仅观察计算机预测结果的效果如何，还构建了一个他们掌握确切真相的测试场。他们创建了合成蛋白质景观，在这些景观中，他们刻意为链的特定部分分配了重要性。在这些人工世界中，他们完全清楚哪些氨基酸应该驱动蛋白质的适应度，而哪些是无关紧要的。通过在这些受控环境中运行计算机模型，他们可以观察模型究竟是在学习正确的规律，还是仅仅在记忆那些恰好对最终得分有效的模式。
研究人员发现了一个令人震惊的脱节现象。他们发现，一个模型可以是一个出色的预测者，能够准确预测数千种蛋白质变体的性能，但在被问及推理过程时，却会指向错误的氨基酸。高预测准确率并不保证计算机已经学习到了生物学的游戏规则。在许多标准设置中，即使模型的最终得分是完美的，其解释也并不比随机猜测更好。这揭示了该领域的一个常见陷阱：假设仅仅因为一个模型表现良好，其内部逻辑就一定是合理的。
为了解决这个问题，该团队测试了构建计算机模型的不同方法，寻找能够迫使系统关注正确细节的架构变化。他们发现，模型在做出最终决策之前处理信息的方式是最重要的因素。当模型被设置为在将各部分组合成单一预测之前，先单独分析蛋白质链的每个部分时，其解释变得更加可靠。这种“先处理后聚合”（process before pooling）的方法使得计算机能够基于每个位置独特的上下文来分配重要性，而不是仅仅将所有内容进行平均化。他们还发现，使用特定类型的预训练模型（特别是来自 Ankh 系列的模型）比其他模型能产生更可靠的结果，并且运行多个版本的模型并对它们的答案取平均值可以减少解释中的噪声。
随后，团队将这些发现从合成世界带到了真实的酶类中，特别是用于消化以及对抗抗生素耐药性的 α-淀粉酶和 β-内酰胺酶。即使在规则混乱且复杂的真实生物数据中，同样的模式依然成立。采用改进架构构建的模型，在识别科学家已知对酶功能至关重要的氨基酸方面，表现得更为出色。在一次针对 β-内酰胺酶的测试中，与物理稳定性及结合力的测量值相比，改进后的模型正确识别了约三分之二的测试突变变化方向。
这项工作为想要使用这些强大工具来设计新蛋白质的科学家提供了清晰的路线图。它表明，仅仅拥有一个预测能力强的模型是不够的；模型的构建方式必须尊重蛋白质的个体组成部分。通过选择合适的模型结构，并验证计算机的推理是否与已知的生物学事实相符，研究人员可以从猜测转向充满信心的设计。研究结论指出，在信任计算机关于如何编辑蛋白质的建议之前，必须首先检查计算机是否在观察正确的对象，从而确保通往新药物和新材料的道路是建立在真正的理解之上，而非仅仅依靠幸运的猜测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。