Uma conversa com Iddo Friedberg, Ph.D., Professor Associado, Iowa State University
A previsão da função proteica teve avanços significativos na última década, coincidindo com o surgimento de novos métodos computacionais de aprendizado de máquina e inteligência artificial. Neste artigo, conversamos com Iddo Friedberg, especialista em previsão de função proteica e coorganizador do experimento Critical Assessment of Function Annotation (CAFA), sobre a precisão com que os modelos estão prevendo a função proteica e para onde ele acredita que o campo está caminhando.
CAS: Como você se interessou inicialmente pela previsão da função proteica?
Iddo: Foi durante meu pós-doutorado, enquanto eu trabalhava com bioinformática estrutural. Eu estava tentando encontrar uma maneira diferente de representar estruturas de proteínas usando fragmentos ou uma biblioteca de fragmentos, e comecei a relacionar estrutura e função. Passei a me perguntar: “Como a sequência e a estrutura se relacionam com a função? Como podemos prever melhor a função das proteínas a partir da sequência e da estrutura?”
Várias maneiras de prever a função das proteínas estavam sendo desenvolvidas naquela época, e achei que seria bom poder conversar com mais pessoas sobre o assunto, mas não consegui encontrar uma conferência específica para isso. Então, decidi organizar uma eu mesmo. Isso foi em 2005, um evento satélite no Intelligent Systems for Molecular Biology (ISMB), em Detroit; depois, organizamos nossa própria conferência independente na Universidade da Califórnia em San Diego (UCSD), em 2006. Desde então, temos organizado esse encontro, o automated computational protein function prediction meeting, como parte do ISMB.
CAS: Como o campo da previsão automatizada da função proteica evoluiu desde que você começou?
Iddo: Sem dúvida estamos vendo melhorias ao longo dos anos. Em 2010, Predrag Radivojac, hoje na Northeastern University, Sean D. Mooney, da Universidade de Washington, e eu criamos a competição CAFA para prever a função de uma proteína a partir de sua sequência ou estrutura. A ideia geral era associar uma sequência de proteína a um conjunto de termos ontológicos que descrevessem sua função e buscar maneiras de aprimorar a anotação computacional dessa função. Ao reunir abordagens e métodos de predição variados nas submissões ao CAFA, a competição também serve como um experimento para avaliar métodos de predição de funções de proteínas em larga escala.
Na modelagem, usamos uma métrica chamada pontuação Fmax (a média harmônica máxima sobre uma curva de precisão-revocação) para descrever a precisão com que um modelo faz previsões em uma escala de 0 a 1, onde 1 é o ideal. Com o CAFA 1, vimos uma pontuação Fmax em torno de ~0,5, talvez um pouco acima, e agora, com o CAFA 4, ela está em ~0,7. Isso depende do aspecto ontológico — um dos aspectos está em ~0,7 e outro em ~0,4/0,5 —, mas o desempenho está melhorando.
Com o apoio recente do Kaggle, o CAFA 5 conta com 1.675 equipes competindo para prever a função de um conjunto de proteínas. A avaliação final só deve terminar por volta de janeiro de 2024, mas posso adiantar que estamos nos aproximando de um Fmax médio de ~0,65 para todas as três ontologias, o que significa que alguém está alcançando ~0,8, acredito, no aspecto de função molecular do Gene Ontology.
Também estamos vendo uma expansão do tipo de especialização necessária para tornar essas previsões confiáveis — as pessoas por trás dos algoritmos. Nossa comunidade CAFA agora inclui especialistas em bioinformática, biologia experimental, biocura e bio-ontologias. Estamos todos trabalhando juntos para melhorar a forma como gerenciamos a infinidade de dados aos quais agora temos acesso.
CAS: Algumas abordagens para a previsão da função proteica estão funcionando melhor do que outras?
Iddo: Pelo que vejo na literatura, tenho uma ideia do que funciona bem hoje, e houve uma certa mudança. O que funcionava no passado para prever o aspecto de função molecular era a transferência por homologia. Quanto mais sensível for o seu método para detectar homólogos distantes, melhor ele funciona; e se você pudesse adicionar informações estruturais, melhor ainda, porque a estrutura alcança um horizonte evolutivo muito mais amplo do que a sequência. Esses modelos eram relativamente simples de aplicar, mas, mesmo naquela época, nos bastidores, as pessoas já começavam a usar mais aprendizado de máquina.
Quando chegamos ao CAFA 3 e ao CAFA 4, já tínhamos pessoas representando proteínas e sequências de proteínas como embeddings para prever funções. Embeddings são representações multidimensionais dos dados que transformaram esse cenário. Nas predições clássicas, as proteínas são representadas como cadeias de caracteres, e o modelo busca semelhanças entre essas cadeias (sequências de proteínas). Com os embeddings, a previsão leva em consideração o contexto ao redor de cada parte da proteína usando um modelo no estilo Word2Vec, o ProtVec. Esse tipo de representação é incrivelmente sensível e tem um poder preditivo altíssimo. Podemos vir a encontrar algo diferente, mas, no momento, acredito que o uso de embeddings está gerando resultados excelentes.
CAS: À medida que as previsões de função molecular estão melhorando, quão bem somos capazes de prever processos biológicos e componentes celulares?
Iddo: Nas primeiras edições do CAFA, vimos pontuações mais baixas ao tentar prever processos biológicos — elas são inferiores às pontuações de previsão de função molecular em todos os CAFAs. Imagine que você sabe que determinada proteína é uma quinase e sabe que, em camundongos, ela participa da apoptose. Você pode se perguntar: “Ela faz o mesmo em humanos?” Um camundongo e um humano provavelmente são próximos o suficiente para dizermos: “Sim, elas estão desempenhando o mesmo papel”. Mas e entre humanos e Drosophila? Ou leveduras? É aí que a transferência por homologia pode falhar, porque, quanto maior a distância evolutiva, mais diferenças encontramos.
Nós vemos melhorias. Uma das coisas que tentamos foi pedir aos preditores que escolhessem a partir de um conjunto de palavras-chave para descrever seu método de previsão. O que vimos é que coisas como modelos ocultos de Markov e buscas de homologia remota caracterizam os principais métodos para prever a função molecular. Mas, para processos biológicos, os principais métodos são a mineração de texto de artigos e o contexto genômico. Portanto, eles estão prevendo de maneiras muito diferentes.
A previsão de componentes celulares não está indo tão bem, e estamos tendo que investigar o porquê disso. Uma coisa é que a própria estrutura da ontologia, a ontologia de componentes celulares, é difícil de trabalhar. Se imaginarmos o gráfico da ontologia de função molecular como uma árvore, e a ontologia de processo biológico como um grafo acíclico direcionado hierárquico organizado, então o componente celular se assemelha a um arbusto. A estrutura é um pouco diferente, e não temos uma boa maneira de descrevê-la no momento. Também é menos popular entre os preditores de função. Acho que eles muitas vezes não veem a previsão de componentes celulares como tendo o mesmo prestígio que a previsão de função molecular ou processo biológico.
CAS: Quais você diria que são os principais gargalos no campo?
Iddo: Com certeza precisamos de mais — mais capacidade computacional, mais ideias e mais proteínas sendo estudadas. Toda a ideia de representar funções como ontologias é diferente de, digamos, representar estruturas como esferas no espaço 3D. Com a estrutura, podemos discutir sobre quantas esferas precisamos e qual será o nível de precisão, mas é algo tangível. Ontologia é um termo derivado da filosofia e é praticamente uma representação subjetiva da realidade. Ela muda com o tempo, tanto de acordo com a nossa compreensão da natureza quanto com o foco dos esforços de pesquisa.
No CAFA, tivemos um grupo que disse: "Vamos tentar não prever a função proteica, vamos tentar prever o que os biocuradores farão a seguir". Eles previram quais funções estariam nos dados de validação dos biocuradores naquela rodada do CAFA — quais funções eles teriam priorizado na curadoria. Eles não tiveram um método entre os 10 melhores, mas também não se saíram mal. Não podemos prever algo que ainda não foi verificado experimentalmente de alguma forma e depois inserido no conjunto de dados por um curador, então o que está sendo curado é realmente importante.
CAS: Um dos principais gargalos não é computacional, então, mas sim qual trabalho de laboratório está sendo feito e publicado?
Iddo: A questão são os experimentos, mas também a forma como são publicados — por que não publicar os resultados diretamente como ontologias? Se você descobre uma nova sequência de proteína, ao redigir o artigo, é obrigado a depositar a sequência em um repositório como o GenBank. Ou, se descobre uma nova estrutura proteica, você a deposita no Protein Data Bank, e existem regras rigorosas sobre como representar a sequência e a estrutura no momento do depósito. Também deveria haver diretrizes sobre como representar a função da sua proteína como uma ontologia, e acredito que os pesquisadores deveriam saber como fazer isso.
Os biocuradores, com razão, dizem: "Não, os pesquisadores não deveriam fazer isso. Eles não têm ideia de como usar ontologias". Mas a biocura é onde está o gargalo agora. Existem dois campos aqui: um é que apenas os biocuradores deveriam fazer o trabalho porque sabem como fazê-lo, e o outro é que todos deveriam fazê-lo, mas isso pode criar erros de anotação. Não está claro para mim como resolver isso, na verdade. Alguns dizem que um melhor treinamento para pesquisadores no uso de ontologias pode ajudar, mas os biocuradores têm uma compreensão muito melhor da seleção de termos de ontologia apropriados e das relações adequadas.
CAS: Você acha que os avanços recentes em modelos de processamento de linguagem natural (PLN) podem ser usados para biocura?
Iddo: Ainda não vejo isso acontecendo; acho que precisamos de mais do que um grande modelo de linguagem para fazer isso adequadamente. As regras são complexas — é por isso que recorremos a pessoas para essa tarefa. Os seres humanos são muito bons em tarefas complexas, mas considero isso complexo demais para o PLN. Outro problema é que, às vezes, as ontologias são difíceis de associar e nem sempre se dispõe dos termos ontológicos corretos, sobretudo para funções recém-descobertas; é preciso criar novos termos e inseri-los com precisão na ontologia adequada.
Depois, temos o gargalo da triagem de alto rendimento. Experimentos de alto rendimento geram um grande volume de dados, mas produzem apenas aquilo para o qual aquele ensaio específico é adequado. Isso significa que esses dados geralmente têm baixo teor informativo. Analisamos essa questão em 2013 e concluímos que os bancos de dados de proteínas anotadas apresentam uma desproporção enorme em favor de resultados de experimentos de alto rendimento.
Por exemplo, analisamos uma série de artigos publicados no final dos anos 2000, que investigavam o desenvolvimento embrionário e o C. elegans. Houve análises de genoma completo para observar o que estava envolvido no desenvolvimento embrionário, e poucos outros dados experimentais surgiram do C. elegans na época. Portanto, apenas com esses dados, o modelo poderia concluir que tudo o que o C. elegans faz é o desenvolvimento embrionário, porque é isso que os dados dizem. Esses tipos de vieses que vêm de experimentos de alto rendimento são um problema e, sem intervenção humana, podem dar ao modelo uma visão de mundo muito tendenciosa.
CAS: Quais você acredita serem as grandes oportunidades na previsão da função proteica atualmente?
Iddo: Acredito que o aprendizado de máquina certamente fará uma grande diferença, e também veremos diferentes representações de sequências e estruturas de proteínas. Ainda enfrentamos um gargalo quanto ao uso de ontologias; por isso, algumas pessoas estão deixando de usá-las completamente e apenas dizendo: “Isto é um agrupamento homogêneo. Para mim, isso já é uma função”. O fato de contarmos com o AlphaFold e o ESMFold para nos fornecer informações estruturais com previsões consistentes vai ajudar bastante.
Também precisamos de um esforço deliberado das agências de fomento para gerar mais dados válidos, de alta qualidade e com alto teor de informações. Deveríamos ter menos subsídios para consórcios — o que é um pouco como dar um tiro no próprio pé, na verdade — e permitir que muitos subsídios de pequeno e médio porte floresçam para atrair pós-doutorandos e estudantes para caracterizar funções específicas e criar mais diversidade no ecossistema científico.
CAS: Se você pudesse usar uma varinha mágica e resolver um problema em sua área, o que você resolveria?
Iddo: A capacidade de tratar artigos de forma automática e precisa, inserindo essas informações em uma representação computacional que seja válida a longo prazo. Mas, como mencionei antes, há uma boa razão para dependermos de pessoas para realizar esse trabalho hoje. Não penso necessariamente que a ontologia gênica, ou qualquer outra ontologia, seja a única representação válida a longo prazo, mas não consigo imaginar nada melhor no momento. É desafiador porque a nossa forma de representar as coisas usando ontologias é um gargalo, mas, por outro lado, é quase como dizer que a própria linguagem humana é um gargalo. Só que aí já estamos entrando na filosofia, e não tenho formação para falar sobre isso!
Iddo Friedberg é professor associado na Faculdade de Medicina Veterinária da Iowa State University. Com Doutorado em Bioinformática, Iddo construiu sua carreira em metagenômica computacional e previsão da função proteica. Sua pesquisa visa utilizar a vasta quantidade de dados ômicos disponíveis para prever a função de proteínas e genes, e ele trabalha para reunir cientistas com interesses semelhantes para discutir a previsão automatizada da função proteica. Como coorganizador da Critical Assessment of Function Annotation (CAFA), um experimento projetado para fornecer uma avaliação em larga escala de métodos computacionais dedicados a prever a função proteica, Iddo está na vanguarda do futuro da previsão da função proteica.
