Ancestral Sequences Cannot be Accurately Reconstructed via Interpolation in a Variational Autoencoder's Latent Space
Este estudio demuestra que, a pesar del potencial de los autoencodificadores variacionales para modelar interacciones epistáticas, su pérdida inherente de información durante el proceso de decodificación les impide reconstruir con precisión las secuencias ancestrales, ya que son superados consistentemente por los métodos estándar basados en verosimilitud y parsimonia.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
En lo profundo de la historia de la vida, cada ser vivo porta un registro molecular de sus antepasados. Los científicos han buscado durante mucho tiempo leer este registro, un proceso conocido como reconstrucción de secuencias ancestrales. Imagine intentar adivinar las palabras exactas de una carta escrita por un bisabuelo, basándose únicamente en las copias que poseen sus muchos bisnietos. En biología, estas "letras" son las cadenas de aminoácidos que conforman las proteínas, las máquinas de trabajo de cada célula. Durante décadas, los investigadores han utilizado modelos estadísticos para completar las palabras faltantes, asumiendo que cada letra en la cadena cambia independientemente de las demás, como si una sola palabra en una oración fuera sustituida sin afectar el significado del conjunto. Este enfoque ha sido la herramienta estándar para comprender cómo evolucionan las proteínas a lo largo de millones de años.
Sin embargo, la biología rara vez es así de simple. En la realidad, las letras en una cadena de proteínas suelen depender unas de otras; cambiar un aminoácido podría ser seguro solo si otro cambio específico ocurre cerca. Esta compleja interdependencia, conocida como epistasis, es difícil de capturar con las herramientas estadísticas tradicionales. Recientemente, una nueva generación de herramientas de inteligencia artificial, específicamente un tipo de modelo de aprendizaje profundo llamado autoencoder variacional, ha ofrecido un camino diferente. Estos modelos son excelentes para encontrar patrones ocultos en vastas cantidades de datos. Pueden comprimir una secuencia de proteínas larga en un resumen matemático compacto, o "embedding", y luego intentar reconstruir la secuencia original a partir de ese resumen. Debido a que estos modelos aprenden directamente de los datos sin que se les indique ignorar las conexiones entre las letras, muchos científicos esperaban que pudieran resolver el problema de la epistasis y reconstruir proteínas antiguas con una precisión sin precedentes.
Un equipo de investigadores se propuso probar esta esperanza directamente. Construyeron un flujo de trabajo que utilizaba estos modelos de IA para adivinar las secuencias de proteínas antiguas. La idea era sencilla: tomar las proteínas modernas que tenemos hoy, comprimirlas en estos resúmenes matemáticos y luego utilizar el árbol genealógico conocido de las proteínas para interpolar, o adivinar, cómo eran los resúmenes de los ancestros antiguos. Una vez que tuvieran estos resúmenes adivinados, los alimentarían de nuevo en la IA para generar las secuencias de aminoácidos reales. Si esto funcionaba, significaría que el aprendizaje profundo podría sortear las limitaciones de la estadística tradicional y revelar la verdadera historia de las proteínas, incluso cuando esas historias estuvieran moldeadas por interacciones complejas entre diferentes partes de la molécula.
Los investigadores pusieron esta idea a prueba mediante simulaciones computacionales. Crearon miles de familias de proteínas falsas que evolucionaron a lo largo del tiempo, primero utilizando las reglas simples e independientes que asumen los modelos tradicionales, y luego utilizando reglas complejas que incluían los cambios interdependientes presentes en la naturaleza. Luego intentaron reconstruir los ancestros de estas familias falsas utilizando tanto el nuevo método de IA como los métodos estadísticos establecidos. Los resultados fueron claros y consistentes. En cada escenario, ya fuera que las proteínas evolucionaran de forma simple o con dependencias complejas, los métodos estadísticos tradicionales superaron al enfoque de IA. El modelo de aprendizaje profundo no pudo producir secuencias ancestrales precisas, incluso en las situaciones donde se suponía que destacaría.
El estudio fue más allá para entender por qué falló la IA. Resultó que el problema no era que la IA hubiera pasado por alto la estructura del árbol genealógico. Cuando los investigadores examinaron los resúmenes matemáticos, encontraron que la IA sí había aprendido a organizar las proteínas de una manera que reflejaba sus relaciones evolutivas. El fallo residía en el paso de la reconstrucción misma. El modelo de IA, en su esfuerzo por comprimir los datos en un resumen pequeño, inevitablemente perdió algunos de los detalles finos de la secuencia original. Cuando los investigadores intentaron reconstruir las proteínas antiguas a partir de esos resúmenes, la información era demasiado borrosa. El modelo no podía generar una secuencia con la precisión suficiente para coincidir con la verdadera historia. Incluso cuando los investigadores aumentaron el tamaño del resumen matemático para intentar conservar más información, las ganancias fueron pequeñas, y el modelo comenzó simplemente a memorizar las proteínas modernas en lugar de aprender las reglas generales de la evolución.
Los investigadores también probaron una versión más avanzada de la IA que fue entrenada explícitamente con el árbol genealógico durante su entrenamiento. Esperaban que esta guía adicional ayudara, pero no mejoró los resultados. El cuello de botella fundamental seguía siendo el mismo: el proceso de comprimir la secuencia en un resumen y luego expandirla de nuevo era demasiado con pérdida de información para la delicada tarea de adivinar el pasado. El estudio concluye que, si bien estos embeddings de IA son herramientas poderosas para visualizar familias de proteínas y predecir cómo podrían comportarse las proteínas modernas, aún no están listos para reemplazar a los métodos estadísticos establecidos para reconstruir el pasado. La esperanza de que el aprendizaje profundo pudiera resolver sin esfuerzo las complejas interacciones evolutivas fue, en esta aplicación específica, un callejón sin salida. Los métodos tradicionales, a pesar de sus supuestos más simples, siguen siendo la forma más fiable de leer la historia molecular de la vida.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.