pLM-Guided Inverse Folding for Antibody Sequence Design

Resumen Técnico: Plegamiento Inverso Guiado por pLM para el Diseño de Secuencias de Anticuerpos

Planteamiento del Problema
El plegamiento inverso —la tarea de predecir secuencias de aminoácidos a partir de estructuras tridimensionales de proteínas— es una piedra angular del diseño computacional de proteínas. Sin embargo, su aplicación a dominios específicos como los anticuerpos se ve significativamente obstaculizada por la escasez de datos estructurales de alta calidad. Esta limitación de datos restringe el entrenamiento de modelos específicos de dominio y aumenta el riesgo de sobreajuste. Si bien la estrategia de mitigación estándar consiste en realizar un ajuste fino (fine-tuning) de modelos de plegamiento inverso generales en conjuntos de datos específicos de dominio (por ejemplo, estructuras de anticuerpos), la obtención de suficientes datos estructurales para dicho ajuste fino sigue siendo costosa y desafiante.

Metodología
Para abordar la escasez de datos estructurales aprovechando la abundancia de datos de secuencias disponibles, los autores proponen una novedosa estrategia de inferencia sin entrenamiento. La metodología central consiste en un ensamblaje ponderado de dos modelos distintos:

1. ProteinMPNN: Un modelo general de plegamiento inverso de proteínas entrenado en datos estructurales amplios.
2. IgLM: Un modelo de lenguaje de proteínas (pLM) específico para anticuerpos entrenado en extensos datos de secuencias.

En lugar de reentrenar o realizar un ajuste fino de estos modelos, el enfoque combina sus predicciones durante el tiempo de inferencia. El ensamblaje pondera las salidas de ProteinMPNN e IgLM para generar las predicciones de secuencias finales. Este método está diseñado para permitir que los modelos de plegamiento inverso se beneficien de la rica información de secuencias capturada por IgLM sin requerir datos de entrenamiento estructural adicionales.

Contribuciones Clave y Resultados
El estudio evalúa este enfoque guiado por pLM en estructuras de anticuerpos y nanocuerpos, arrojando los siguientes hallazgos:

• Mejora en la Recuperación: El método de ensamblaje mejora sustancialmente las tasas de recuperación de aminoácidos en comparación con el uso exclusivo de ProteinMPNN.
• Desempeño Competitivo: El enfoque logra niveles de desempeño que se aproximan a los de modelos especializados en plegamiento inverso de anticuerpos, tales como AntiFold.
• Diversidad Mejorada: A diferencia de algunos modelos especializados que pueden converger en espacios de secuencias limitados, este método genera secuencias más diversas.
• Complementariedad al Ajuste Fino: El estudio demuestra que la guía del modelo de lenguaje es beneficiosa incluso para modelos que ya han sido sometidos a un ajuste fino en estructuras de anticuerpos (por ejemplo, AbMPNN). Esto sugiere que la guía de pLM complementa el ajuste fino estructural, resultando en secuencias que son tanto estructuralmente válidas como "más naturales" (es decir, consistentes con los patrones de secuencias evolutivas).

Significancia
El artículo postula que la integración de modelos de lenguaje de proteínas con modelos de plegamiento inverso estructural ofrece una vía práctica para superar la escasez de datos en el diseño de proteínas. Al utilizar un ensamblaje sin necesidad de entrenamiento, el enfoque cierra eficazmente la brecha entre el modelado estructural general y el conocimiento de secuencias específico de un dominio. La significancia radica en demostrar que la guía de un modelo de lenguaje puede mejorar las restricciones estructurales sin el costo computacional de un reentrenamiento, conduciendo a diseños que satisfacen los requisitos estructurales mientras mantienen la diversidad natural observada en las secuencias biológicas.