Baktfold: Sensitive protein functional annotation across the microbial tree of life using structural information

El artículo presenta Baktfold, una herramienta de línea de comandos en Python que utiliza información estructural y modelos de lenguaje de proteínas para realizar anotaciones funcionales ultra-sensibles y rápidas de proteínas hipotéticas en bacterias y arqueas, superando significativamente el rendimiento de métodos actuales como Bakta y Prokka.

Lo esencial

¡Claro que sí! Imagina que el mundo de los microbios (bacterias, arqueas y pequeños eucariotas) es como una gigantesca biblioteca antigua llena de millones de libros. Cada libro es un genoma, y cada página es una proteína que hace algo en la célula.

El problema es que, hasta ahora, los bibliotecarios (los científicos) solo podían leer los libros si el idioma era muy similar al que ya conocían. Si un libro estaba escrito en un dialecto raro o con letras muy borrosas, lo etiquetaban simplemente como "Libro Hipotético" (o "Proteína Hipotética"). Significaba: "Sabemos que existe, pero no sabemos qué hace".

Hasta que llegó Baktfold.

¿Qué es Baktfold?

Imagina que Baktfold es un nuevo super-bibliotecario con gafas de visión de rayos X.

En lugar de leer solo las palabras (la secuencia de letras del ADN), Baktfold mira la forma de las páginas. En el mundo de las proteínas, la forma es mucho más importante que las palabras exactas. Dos proteínas pueden tener palabras muy diferentes, pero si se doblan en la misma forma 3D, ¡probablemente hacen el mismo trabajo!

¿Cómo funciona? (La analogía de la "Huella Digital 3D")

1. El Traductor Rápido (ProstT5): Antes, para ver la forma de una proteína, tenías que construir un modelo 3D desde cero, lo cual era como intentar esculpir una estatua de mármol a mano: tardaba días y necesitaba máquinas gigantes. Baktfold usa un "traductor" inteligente (una inteligencia artificial llamada ProstT5) que convierte la secuencia de letras en una huella digital 3D en cuestión de segundos. Es como si en lugar de construir la estatua, el traductor te diera un plano instantáneo de su sombra.
2. El Buscador de Parejas (Foldseek): Una vez que tiene esa huella digital, Baktfold corre a una inmensa biblioteca de formas conocidas (bases de datos como AlphaFold y PDB) y busca coincidencias. Es como si tuvieras una silueta y buscaras en un catálogo de millones de siluetas para ver a quién se parece.
3. El Resultado: Si encuentra una coincidencia, le dice al bibliotecario: "¡Oye! Este libro que pensabas que era 'hipotético' en realidad es un manual de instrucciones para construir un motor de coche".

¿Por qué es tan especial?

• Es un detective de lo invisible: Las herramientas antiguas (como Bakta o Prokka) son como leer el texto. Si el texto cambia mucho, no entienden nada. Baktfold mira la estructura, que es más estable. Por eso, logra descifrar proteínas que antes eran un misterio total, especialmente en las arqueas (microbios extraños que viven en lugares extremos), donde Baktfold ha logrado descifrar el 71.5% de los libros, mientras que los métodos antiguos apenas llegaban al 35%.
• Es rápido y eficiente: Aunque mira formas complejas, lo hace tan rápido que puede procesar miles de genomas en lo que tardarías en tomar un café, gracias a que usa tarjetas gráficas potentes (como las de los videojuegos) para acelerar el proceso.
• Es un compañero, no un reemplazo: No tira la basura a las herramientas antiguas. Las usa primero para lo fácil, y luego usa sus "gafas de rayos X" para lo difícil. Es como tener un asistente que hace el trabajo sucio y luego te ayuda a resolver los casos más complicados.

En resumen

Baktfold es una herramienta que nos permite dejar de llamar "hipotéticos" a tantos microbios. Nos permite ver que, aunque sus "palabras" sean extrañas, sus "formas" nos dicen exactamente qué hacen.

Gracias a esto, los científicos pueden dejar de adivinar y empezar a entender cómo funcionan realmente estos organismos, desde las bacterias en nuestro intestino hasta los microbios que viven en volcanes o en el fondo del océano. Es como encender una luz en una habitación que antes estaba en completa oscuridad.

Resumen técnico

Resumen Técnico: Baktfold

1. El Problema

A pesar de los avances recientes en la anotación de genomas, una fracción significativa de proteínas microbianas (aproximadamente el 30% en bacterias y una proporción aún mayor en arqueas y eucariotas microbianos) permanece como "proteínas hipotéticas" sin función conocida. Las herramientas de anotación actuales (como Bakta, Prokka y DFAST) dependen principalmente de la homología de secuencia (alineamiento de secuencias, modelos ocultos de Markov, etc.). Sin embargo, estas herramientas tienen dificultades para detectar homología en la "zona crepuscular" de identidad de secuencia (20-35%), donde la secuencia ha divergido tanto que las herramientas basadas en secuencia fallan, aunque la estructura y la función se conserven. Además, las herramientas basadas en predicción de estructuras (como AlphaFold2 o ESMFold) son computacionalmente demasiado costosas para su uso en pipelines de anotación de genomas a gran escala o metagenómicos.

2. Metodología

Baktfold es una herramienta de línea de comandos escrita en Python diseñada para la anotación funcional ultra-sensible e independiente del taxón, integrando información estructural en pipelines de anotación de genomas microbianos.

• Flujo de Trabajo:
  1. Entrada: Acepta anotaciones de genomas en formato JSON de Bakta o archivos de secuencias de proteínas (FASTA).
  2. Predicción Estructural Rápida: Utiliza el modelo de lenguaje de proteínas ProstT5 para convertir las secuencias de aminoácidos en tokens 3Di (representaciones de estructura de proteínas) compatibles con Foldseek. Esto evita la necesidad de generar estructuras 3D completas y costosas.
  3. Búsqueda Estructural: Realiza búsquedas secuenciales y complementarias contra cuatro bases de datos estructurales utilizando Foldseek (una herramienta de búsqueda estructural ultrarrápida):
     • Swiss-Prot: Para anotaciones de alta calidad y curadas.
     • Bases de datos de clústeres de AlphaFold (AFDB v6): Para cobertura masiva de estructuras predichas.
     • PDB (Protein Data Bank): Estructuras resueltas experimentalmente.
     • CATH: Clasificación de dominios de proteínas.
  4. Integración y Salida: Los resultados se fusionan con una lógica de prioridad (preferencia por bases de datos personalizadas, luego Swiss-Prot, AFDB, PDB, CATH) y se exportan en formatos estándar (GFF3, archivos planos INSDC y JSON) totalmente interoperables con Bakta.
  5. Optimización: Utiliza aceleración por GPU (ROCm/PyTorch) para el procesamiento de ProstT5 y Foldseek, permitiendo un rendimiento rápido incluso en grandes conjuntos de datos.

3. Contribuciones Clave

• Integración de Estructura a Escala Genómica: Es la primera herramienta automatizada que integra búsquedas estructurales masivas en pipelines de anotación de genomas microbianos completos, superando las limitaciones de costo computacional de AlphaFold2/ESMFold.
• Sensibilidad en la "Zona Crepuscular": Capaz de detectar homólogos funcionales cuando la identidad de secuencia es baja (<30%), aprovechando que la estructura es más conservada que la secuencia.
• Interoperabilidad: Genera salidas compatibles con las herramientas estándar de la industria (Bakta), facilitando su adopción sin cambiar el flujo de trabajo existente.
• Soporte Multi-Reino: Diseñado para funcionar eficazmente en bacterias, arqueas, plásmidos y eucariotas microbianos.
• Base de Datos Personalizable: Permite a los usuarios incluir sus propias bases de datos de proteínas curadas para mejorar la anotación en taxones específicos.

4. Resultados

El rendimiento de Baktfold se evaluó en más de 300,000 representantes de especies procariontes y diversos conjuntos de datos eucariotas:

• Bacterias (GlobDB):
  • Tasa de anotación general mediana: 87.8% (vs. 72.9% de Bakta).
  • Tasa de anotación de proteínas hipotéticas restantes: 50.1%.
  • Mejora significativa incluso en genomas ya bien anotados (>90% por Bakta), donde Baktfold anotó un 23.4% adicional de proteínas hipotéticas.
• Arqueas:
  • Tasa de anotación general mediana: 71.5% (vs. 35.8% de Prokka y 10.3% de Bakta).
  • Tasa de anotación de proteínas hipotéticas: 68.0%.
  • Se destaca como el método automatizado más sensible para arqueas hasta la fecha.
• Plásmidos (IMG/PR):
  • Anotó el 79.0% de las proteínas no redundantes (vs. 70.2% de Bakta).
  • Mostró una mejora particular en proteínas largas (>100 AA), anotando un 46.5% de las proteínas que Bakta no pudo.
• Eficacia Computacional:
  • El uso de ProstT5 en lugar de AlphaFold2/ESMFold reduce drásticamente el tiempo de ejecución (minutos en lugar de horas/días) manteniendo una sensibilidad casi idéntica en la anotación de proteínas hipotéticas.
  • En conjuntos de datos difíciles, Baktfold con ProstT5 alcanzó tasas de anotación de proteínas hipotéticas de ~47-60%, comparables a las obtenidas con ColabFold/AlphaFold2 y ESMFold.
• Eucariotas Microbianos:
  • En protistas (Ensembl), mejoró la anotación funcional del 60.7% (GO existente) al 70.0%.
  • En genomas de plancton (SMAG), superó a eggNOG-mapper (50.6% vs 39.6% de anotación funcional).

5. Significancia

Baktfold representa un cambio de paradigma en la anotación de genomas microbianos al cerrar la brecha entre la predicción estructural de alta precisión y la anotación de alto rendimiento.

• Iluminando la "Materia Oscura" Microbiana: Permite asignar funciones biológicas a proteínas que antes se consideraban hipotéticas, especialmente en arqueas y linajes microbianos poco estudiados.
• Generación de Hipótesis: Al proporcionar anotaciones funcionales más precisas, facilita la generación de hipótesis para investigación in vitro e in silico sobre la función celular y metabólica.
• Accesibilidad: Al ser una herramienta de código abierto, gratuita y fácil de integrar, democratiza el uso de la información estructural para biólogos computacionales y microbiólogos, sin requerir infraestructura de GPU masiva para la predicción de estructuras ab initio.

En resumen, Baktfold combina la velocidad de los modelos de lenguaje de proteínas (ProstT5) con la potencia de la búsqueda estructural (Foldseek) para ofrecer la herramienta de anotación más sensible disponible actualmente para la diversidad de la vida microbiana.