Questo repository contiene il framework innovativo per l'Allineamento Multiplo di Sequenze (MSA) basato sulla combinazione di Deep Reinforcement Learning (DRL) e Algoritmi Genetici Multi-Obiettivo. Il sistema supera i limiti della precedente baseline GA-DPAMSA introducendo un'architettura neurale a convoluzioni dilatate (DCNN), strategie di Action Branching, moduli One-Shot e un orchestratore basato su NSGA-II per l'ottimizzazione simultanea sulla frontiera di Pareto delle metriche biologiche.
🛠️ Data Engineering Pipeline
A differenza dei modelli precedenti addestrati su dati artificiali/sintetici , questa pipeline sposta il focus su dati biologici reali, permettendo all'agente di apprendere pattern evolutivi effettivi.
La pipeline è suddivisa nei seguenti moduli (scripts/):
ortho_data.py: Interroga in modo automatizzato le API REST di OrthoDB v12, scaricando sequenze CDS (Coding DNA Sequences) appartenenti al clade Mammalia.
ortho_preparation.py Attua una pipeline di preprocessing:
- Risoluzione Ambiguità: Identifica e mappa i caratteri nucleotidici non standard (es. 'N').
- Rimozione Duplicati: Elimina le sequenze identiche all'interno dello stesso gruppo ortologo per evitare bias nel calcolo del Column Score.
- Segmentazione (RandomCutSequence): Tronca le sequenze di lunghezza variabile in frammenti gestibili dalla finestra operativa fissa della rete.
cut_boards.py Augmentation e data engineering:
- Inietta stocasticamente gap e "rumore" controllati (RandomGapInsertion, RandomGapSubstitution) per creare lo "Stato 0" disallineato da sottoporre all'ambiente di training.
- Mappa i nucleotidi in tensori numerici (A=1, T=2, C=3, G=4, Gap=5) e salva il dataset nel formato binario ad alte prestazioni HDF5 per azzerare i colli di bottiglia di I/O su GPU.
🏗️ Architetture Proposte e Modelli
Il framework introduce tre principali pilastri architetturali per superare la complessità quadratica dei Transformer e la crescita esponenziale dello spazio delle azioni.
- DCNNMSA (Dueling Deep Q-Networks)
Modello di punta per la ricerca locale basato sull'interazione stepwise con l'environment di allineamento.
- Encoder Convoluzionale Dilatato (DCNN): Sostituisce i moduli basati su self-attention (complessità O(L2)) utilizzando convoluzioni dilatate per catturare feature locali a lungo raggio in tempo lineare.
- Double Dueling Q-Network: Separa la stima del valore dello stato (V) dai vantaggi di ciascuna azione (A) per stabilizzare l'apprendimento delle metriche.
- Action Branching (BDQ): Risolve il problema dello spazio delle azioni esponenziale (2k−1) spacchettando l'output in sotto-rami di azione indipendenti, riducendo drasticamente la complessità del decisore.
- Allineamento One-Shot (PPO e GRPO) Esplorazione di architetture avanzate pensate per abbattere drasticamente i tempi di inferenza rispetto agli approcci colonna-per-colonna (stepwise).
- PPO (Proximal Policy Optimization): Ottimizzazione della policy con vincolo di clipping per generare l'allineamento finale in una singola inferenza complessiva.
- GRPO (Group Relative Policy Optimization): Variante che calcola il vantaggio comparando un gruppo di output generati dallo stesso stato, riducendo l'overhead computazionale del network critico.
- Orchestratore Evolutivo NSGA-II Algoritmo genetico multi-obiettivo che coordina la ricerca globale su allineamenti completi di dimensioni arbitrarie.
- Dominanza Paretiana: Tratta il Sum-of-Pairs (SP) e il Column Score (CS) come obiettivi ortogonali e concorrenti, evitando lo sbilanciamento o il collasso di una metrica sull'altra tipico delle unioni forzate precedenti.
- Mutazione Guidata come Local Search: Individua la sottomatrice (sub-board fissa, es. 3×30) con lo score peggiore all'interno dell'allineamento globale e la delega all'agente di RL (DCNNMSA) per un riallineamento ottimizzato localmente.
- Selezione Elitista ed Estrazione: Sfrutta il Fast Non-Dominated Sorting e la Crowding Distance per mantenere diversificata la popolazione. L'output finale viene estratto dalla frontiera tramite scalarizzazione a posteriori pesata: SP + (CS × 100).
📈 Risultati Sperimentali e Benchmark
I test prestazionali sono stati condotti in modalità zero-shot su un dataset di validazione di sequenze ortologhe di Mammalia non viste in fase di addestramento.
- Confronto con lo Stato dell'Arte (Tool Professionali)
I modelli proposti (DCNNMSA e l'ibrido NSGA-II-DCNN) sono stati messi a confronto con i principali benchmark di riferimento mondiali:
| Modello | Tool Column Score (CS) Medio | Sum of Pairs (SP) Medio |
|---|---|---|
| MSAPROBS | 0.491 | 73.08 |
| ClustalW | 0.461 | 59.56 |
| ClustalOmega | 0.451 | 42.68 |
| DCNNMSA (Proposed) | 0.441 | 46.24 |
| MAFFT | 0.437 | 12.40 |
| MUSCLE | 0.421 | 50.28 |
| NSGA-II-DCNN (Proposed) | 0.411 | 39.48 |
| PASTA | 0.366 | -8.58 |
Key Takeaways dai Risultati:
- Column Score: DCNNMSA si posiziona stabilmente nella fascia alta dei tool, superando software storici e consolidati come MAFFT, MUSCLE e PASTA.
- Sum of Pairs: DCNNMSA ottiene un punteggio nettamente superiore rispetto a PASTA, MAFFT e ClustalOmega, dimostrando l'efficacia dei meccanismi di convoluzione e di reward biologico nel preservare la qualità globale.
- Impatto dell'Orchestratore (NSGA-II vs GA-Baseline)
- L'introduzione di NSGA-II ha eliminato la polarizzazione estrema delle soluzioni (alta varianza in cui l'algoritmo ottimizzava solo SP distruggendo il CS o viceversa).
- Ha garantito una distribuzione dei punteggi molto più densa e coerente, elevando stabilmente la qualità media biologica della popolazione rispetto a GA-DPAMSA.
