🤖 machine learning

Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

Proteo-R1 es un marco de doble experto que mejora el diseño de proteínas *de novo* desacoplando explícitamente el razonamiento molecular de la generación geométrica, utilizando un modelo de lenguaje multimodal para identificar residuos funcionales críticos como restricciones rígidas para un generador basado en difusión, con el fin de garantizar resultados de diseño estables, interpretables y controlables.

Autores originales: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, C

Publicado 2026-05-06

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un arquitecto maestro intentando diseñar una nueva llave de forma personalizada que encaje perfectamente en una cerradura específica y compleja (un objetivo proteico).

La Vieja Forma: El Arquitecto de "Adivinar y Comprobar"
Anteriormente, los modelos de IA que intentaban diseñar estas llaves funcionaban como un artista frenético lanzando pintura a un lienzo. Generaban toda la forma de la llave de una sola vez, esperando que los átomos cayeran en los lugares correctos. Aunque mejoraban en hacer que la llave pareciera real, realmente no "pensaban" en por qué ciertas partes de la llave necesitaban tener una forma específica. Simplemente muestreaban posibilidades aleatorias hasta que algo parecía aceptable. Esto hacía difícil entender por qué la IA tomaba una decisión de diseño específica, y si la llave no funcionaba, era difícil arreglar solo una parte sin arruinar todo el conjunto.

La Nueva Forma: Proteo-R1 (El "Estratega" y el "Constructor")
El artículo presenta Proteo-R1, que cambia el juego dividiendo el trabajo en dos roles distintos, muy parecido a un proyecto de construcción con un Estratega y un Constructor.

El Estratega (El Experto en Razonamiento):
- Quiénes son: Una IA superinteligente que lee el "plano" (la secuencia y estructura de la proteína) y las "notas del cliente" (lo que la llave necesita hacer).
- Qué hacen: Antes de dibujar una sola línea, esta IA se detiene a pensar. Identifica los puntos más críticos en la cerradura: los "puntos calientes" donde la llave debe tocar para funcionar. Decide: "Bien, en este punto específico necesitamos un ancla cargada aquí, y un punto hidrofóbico allá".
- La Analogía: Piensa en esto como el arquitecto diciendo: "Necesitamos una viga de acero justo aquí para sostener el techo, y una ventana justo allá para la luz". Toman las decisiones difíciles y lógicas primero.
El Constructor (El Experto en Generación):
- Quiénes son: Una impresora 3D altamente calificada (un modelo de difusión) que es increíble creando formas suaves y realistas.
- Qué hacen: El Estratega entrega al Constructor un conjunto de reglas estrictas: "Construye el resto de la llave, pero debes mantener esta viga de acero aquí y esa ventana allá". El Constructor luego completa el resto del diseño, asegurando que los átomos encajen perfectamente mientras respeta las reglas no negociables del Estratega.
- La Analogía: El Constructor es como un maestro albañil que sabe exactamente cómo colocar ladrillos para hacer un muro hermoso, pero se le dice exactamente dónde deben ir la puerta y las ventanas. No adivinan; simplemente ejecutan el plan perfectamente dentro de esas restricciones.

Por Qué Esto es Algo Importante

No Más "Caja Negra": En la vieja forma, no podías decir por qué la IA elegía una forma determinada. Con Proteo-R1, puedes ver las notas del Estratega: "Puse este aminoácido aquí porque forma un puente salino". Es transparente y explicable.
Mejor Control: Si quieres cambiar el diseño, no tienes que tirar todo el conjunto. Solo le dices al Estratega que cambie una decisión (por ejemplo, "Mueve la ventana"), y el Constructor ajusta el resto.
Realismo: Dado que el Constructor es un modelo geométrico de primer nivel, las llaves finales parecen físicamente reales y no tienen átomos chocando entre sí (lo cual sucede cuando simplemente adivinas).

Cómo lo Entrenaron
El artículo describe un campo de entrenamiento de tres pasos para este equipo:

Alineación: Enseñar al Estratega a hablar el mismo idioma que el Constructor, para que comprendan correctamente las estructuras y secuencias de las proteínas.
Ejercicios de Razonamiento: Darle al Estratega miles de acertijos para resolver, como "Encuentra los puentes salinos" o "Localiza los puntos calientes", para que se vuelva muy bueno identificando partes críticas de una proteína.
Práctica Conjunta: Finalmente, practican juntos. El Estratega hace un plan, el Constructor intenta construirlo, y si la construcción falla, el Estratega aprende de ese error para hacer un mejor plan la próxima vez.

Los Resultados
Cuando probaron esto en el diseño de anticuerpos (un tipo de llave proteica utilizada por el sistema inmunológico), Proteo-R1 creó llaves que encajaban mejor y de manera más realista en sus cerraduras que los métodos anteriores. Crucialmente, no solo copió llaves antiguas; diseñó nuevas que eran estructuralmente sólidas porque entendía la lógica del diseño, no solo la forma.

En resumen, Proteo-R1 detiene a la IA de adivinar ciegamente y la hace comenzar razonando primero, luego construyendo, tal como lo haría un experto humano.

Resumen Técnico: Proteo-R1

Enunciado del Problema

Los modelos de aprendizaje profundo para el diseño de proteínas de novo, particularmente aquellos basados en difusión y ajuste de flujo, han logrado fidelidad a nivel atómico en la generación de geometrías moleculares. Sin embargo, estos modelos permanecen fundamentalmente no deliberativos. Sintetizan estructuras sin razonar explícitamente sobre qué residuos son funcionalmente críticos, por qué se favorecen interacciones específicas o cómo deben priorizarse las restricciones de diseño. En los marcos existentes, la intención de diseño se codifica implícitamente en los parámetros del proceso de difusión, entrelazando el razonamiento con la dinámica de muestreo continuo. Este entrelazamiento limita la interpretabilidad, la controlabilidad y la reutilización sistemática del conocimiento bioquímico. Además, los expertos humanos suelen separar el proceso de identificar residuos clave de interacción (razonamiento) del de optimizar la geometría (generación), una separación que está mayormente ausente en los modelos generativos actuales.

Metodología: Proteo-R1

Proteo-R1 introduce un marco de diseño de proteínas guiado por razonamiento que desacopla explícitamente la comprensión molecular de la generación geométrica. Emplea una arquitectura de doble experto:

Experto de Comprensión ( $E_{und}$ ): Un modelo de lenguaje grande multimodal (MLLM) que actúa como un "estratega molecular". Analiza complejos anticuerpo-antígeno (secuencias, estructuras y contexto textual) para identificar residuos funcionales clave (por ejemplo, anclajes cargados, puntos calientes hidrofóbicos) y predecir sus identidades bioquímicas. Crucialmente, $E_{und}$ no genera coordenadas atómicas; produce representaciones a nivel de residuo y decisiones explícitas.
Experto de Generación ( $E_{gen}$ ): Un modelo basado en difusión (inspirado en AlphaFold3) responsable del co-diseño condicional de secuencia y estructura. Recibe las decisiones a nivel de residuo de $E_{und}$ como restricciones rígidas (anclajes) y realiza la generación geométrica sujeta a estos puntos de interacción fijos.

Componentes Técnicos Clave

Interfaz de Anclaje Alineada a Residuos: En lugar de incrustar representaciones de cadena de pensamiento (CoT) directamente en la trayectoria continua de eliminación de ruido, Proteo-R1 operacionaliza el razonamiento mediante decisiones explícitas y dispersas. El experto de comprensión identifica un subconjunto de residuos clave ( $I_{key}$ $I_{k ey}$ ) y predice sus identidades de aminoácidos ( $\hat{k}_i$ $\hat{k}_{i}$ ). Estas se imponen durante la generación mediante:
- Especificación de Identidad: Fijar la identidad del aminoácido a nivel de secuencia para los residuos ancla.
- Anclaje de Incrustaciones: Inyectar estados ocultos proyectados desde el MLLM en el espacio de incrustación de residuos del generador, asegurando que el generador atienda al contexto derivado del razonamiento sin modificar su arquitectura interna de difusión.
Currículo de Entrenamiento de Tres Etapas: Para estabilizar la integración del razonamiento simbólico con la generación geométrica, el modelo experimenta un proceso de entrenamiento progresivo:
1. Alineación Multimodal: Alinea la secuencia de proteínas (ESM-2) y las características estructurales (tronco estilo AF3) con el espacio lingüístico del LLM utilizando tareas de completado de esquema y descripción de datos PDB.
2. Razonamiento Estructural de Entrenamiento Intermedio: Descongela el LLM para dominar tareas meta-espaciales (anclaje de residuos, geometría por pares, localización de interfaz, predicción de puntos calientes) utilizando etiquetas deterministas derivadas de estructuras atómicas.
3. Diseño Guiado por Razonamiento Conjunto: Optimización de extremo a extremo en complejos anticuerpo-antígeno (SAbDab), donde las decisiones a nivel de residuo del experto de razonamiento dirigen directamente el rediseño de CDR basado en difusión.

Contribuciones Clave

Factorización Explícita: Proteo-R1 es el primer marco que separa explícitamente la comprensión molecular (razonamiento) de la generación geométrica en el diseño de proteínas, reflejando el flujo de trabajo de dos etapas de los expertos humanos.
Interpretabilidad y Control: Al convertir el razonamiento en compromisos de anclaje a nivel de residuo, dispersos y explícitos, el marco proporciona una interfaz clara para inspeccionar, modificar y reutilizar decisiones de diseño independientemente del modelo de difusión.
Modularidad: El experto de razonamiento actúa como una interfaz agnóstica al modelo, capaz de guiar diversos backends generativos (por ejemplo, modelos similares a AF3, arquitecturas de ajuste de flujo) sin requerir cambios arquitectónicos en el generador.
Integración Estable: El método evita la inestabilidad de inyectar representaciones textuales o simbólicas directamente en dinámicas continuas mediante el uso de un mecanismo de anclaje disperso y alineado a residuos que preserva los sesgos inductivos del generador geométrico.

Resultados Experimentales

Proteo-R1 fue evaluado en el co-diseño de la región determinante de complementariedad (CDR) de anticuerpos, una tarea desafiante que requiere la generación simultánea de múltiples bucles.

Precisión Estructural: En el rediseño simultáneo de múltiples CDR, Proteo-R1 logró la desviación cuadrática media (RMSD) más baja o casi la más baja en cinco de las seis regiones CDR en comparación con líneas base (por ejemplo, DiffAb, MFDesign, dyMEAN). Mostró una mejora particular en la colocación de la columna vertebral para CDR-H1 y H2.
Calidad de la Interfaz: El modelo mantuvo tasas de mejora de interfaz (IMP) competitivas, lo que indica que las restricciones explícitas a nivel de residuo no obstaculizaron la generación de configuraciones de unión energéticamente favorables.
Realismo Geométrico: Proteo-R1 redujo los choques estéricos (tanto intra-cadena como inter-cadena) y logró la menor divergencia en la distribución de diédricos de la columna vertebral (JSDbb) entre los métodos comparados.
Consistencia Estructura-Secuencia: Aunque Proteo-R1 exhibió una Recuperación de Aminoácidos (AAR) más baja en comparación con algunas líneas base (lo que sugiere que no simplemente imita secuencias nativas), logró una mayor AAR de Plegamiento Inverso (IF-AAR). Esto indica que las geometrías generadas son intrínsecamente más compatibles con secuencias coherentes y realizables bajo un modelo independiente de plegamiento inverso, apoyando la afirmación de que el modelo descubre alternativas fundamentadas estructuralmente en lugar de sobreajustarse a secuencias históricas.
Análisis de Anclaje Oracle: Los estudios de ablación que utilizaron residuos de puntos calientes de verdad fundamental como anclajes mostraron mejoras significativas adicionales en la precisión estructural y el realismo geométrico. Esto sugiere que el cuello de botella actual del rendimiento reside en la calidad de la identificación de anclajes por parte del experto de razonamiento, destacando un amplio margen para futuras mejoras en el componente de comprensión.
Generalidad: Cuando se aplicó a un backbone generativo alternativo (UniMoMo), Proteo-R1 mejoró consistentemente la precisión estructural y la calidad de la interfaz, demostrando que sus beneficios provienen del paradigma de razonamiento-generación en lugar de un modelo geométrico específico.

Significado y Afirmaciones

El artículo afirma que Proteo-R1 ofrece una hoja de ruta escalable para integrar Modelos de Lenguaje Grande (LLM) con procesos generativos físicos en el diseño molecular. Al posicionar a los LLM no como condicionadores ruidosos sino como estrategas moleculares que guían el diseño mediante decisiones explícitas y fundamentadas biológicamente, el marco aborda la naturaleza de "caja negra" de los modelos generativos actuales.

Los autores enfatizan que este enfoque mejora la interpretabilidad y la controlabilidad, permitiendo la reutilización sistemática de la lógica de diseño. Plantean que la separación de "lo que importa" (razonamiento) de "cómo se realiza" (generación) es central para el diseño molecular impulsado por expertos y que Proteo-R1 operacionaliza con éxito esta separación. El trabajo sugiere que los avances futuros en el diseño de proteínas dependerán de tales marcos deliberativos y guiados por razonamiento para acelerar el descubrimiento de biológicos dirigidos, manteniendo al mismo tiempo restricciones físicas rigurosas.