A foundation model enables prediction of natural product molecular properties, bioactivity, and structural similarity from biosynthetic gene cluster sequence

Resumen Técnico: BGC-MLM para la Minería de Genomas de Productos Naturales

Planteamiento del Problema
La minería de genomas ha surgido como una técnica fundamental en el descubrimiento de productos naturales, utilizando el análisis bioinformático para identificar grupos de genes biosintéticos (BGC, por sus siglas en inglés) que probablemente produzcan productos naturales novedosos o deseables. Sin embargo, existe un cuello de botella significativo: el número de BGC predichos supera con creces la capacidad de caracterización experimental. Aunque se han desarrollado diversos modelos de aprendizaje automático e inteligencia artificial para predecir las propiedades de los productos directamente a partir de las secuencias de los BGC, su eficacia se ve limitada por la escasez de datos de entrenamiento etiquetados. Solo una pequeña fracción de los grupos predichos ha sido caracterizada experimentalmente, lo que deja la mayoría de los datos sin etiquetar y subutilizados por los enfoques tradicionales de aprendizaje supervisado.

Metodología
Para abordar el desafío de la escasez de datos, los autores presentan BGC-MLM, un modelo fundacional diseñado para aprovechar la abundancia de secuencias de Bgen de BGC predichas y no etiquetadas. La metodología sigue un paradigma de entrenamiento de dos etapas:

1. Preentrenamiento: El modelo es preentrenado mediante una tarea de modelado de lenguaje con máscara (MLM, por sus siglas en inglés) sobre un gran corpus de grupos de genes biosintéticos predichos y no etiquetados. Esta etapa permite al modelo aprender los patrones estructurales y secuenciales subyacentes de los BGC sin requerir etiquetas experimentales.
2. Ajuste fino (Fine-tuning): Tras el preentrenamiento, el modelo se ajusta mediante conjuntos de datos limitados y etiquetados para aplicaciones específicas de tareas posteriores. Estas tareas incluyen:
   • Predicción de la clase estructural del producto.
   • Predicción de la bioactividad.
   • Estimación de propiedades químicas.
   • Conteo de grupos funcionales.
   • Generación de huellas químicas (fingerprints).

Contribuciones Clave
La contribución principal de este trabajo es el desarrollo y la validación de BGC-MLM como un modelo fundacional especializado para la investigación de productos naturales. El artículo demuestra que la estrategia de preentrenamiento en datos de BGC no etiquetados transfiere eficazmente el conocimiento a tareas posteriores con datos etiquetados limitados. Al tratar los BGC como una secuencia de tipo lenguaje adecuada para el modelado de lenguaje con máscara, los autores cierran la brecha entre la vasta cantidad de predicciones genómicas y la escasa disponibilidad de datos químicos caracterizados.

Resultados
El análisis comparativo revela que la estrategia de preentrenamiento mejora generalmente el rendimiento del modelo en comparación con los modelos entrenados sin preentrenamiento. Específicamente, BGC-MLM logra un rendimiento que es superior o comparable con los métodos especializados existentes en las tareas posteriores evaluadas. Esto indica que el modelo fundacional captura con éxito características relevantes para predecir propiedades estructurales, químicas y biológicas de los productos naturales derivados de secuencias de BGC.

Significancia
El artículo posiciona a BGC-MLM como una herramienta para mejorar la utilidad de la minería de genomas. Al permitir una priorización más precisa de los grupos de genes biosintéticos basada en la bioactividad predicha, las propiedades estructurales y la novedad, el modelo busca hacer que el proceso de minería de genomas sea más eficiente. El trabajo establece la viabilidad de los modelos fundacionales en este dominio, sugiriendo que el preentrenamiento en el vasto reservorio de grupos predichos es una estrategia robusta para superar las limitaciones de datos en el descubrimiento de productos naturales.