📄 biología evolutiva

Protein language models learn the underlying accessibility of mutations alongside protein fitness landscapes

Este estudio demuestra que los modelos de lenguaje de proteínas confunden la aptitud estructural con los sesgos de suministro mutacional, revelando que el desacoplamiento explícito de estos factores mejora la predicción de variantes virales emergentes al tiempo que confirma que la selección domina la frecuencia de las ya establecidas.

Autores originales: MacLean, O. A., Lamb, K., Lytras, S., Mojsiejczuk, L., Yuan, K., Hughes, J., Robertson, D. L.

Publicado 2026-11-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: MacLean, O. A., Lamb, K., Lytras, S., Mojsiejczuk, L., Yuan, K., Hughes, J., Robertson, D. L.

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

Los virus cambian constantemente, intercambiando diminutos bloques de construcción en su código genético para sobrevivir. Recientemente, los científicos han desarrollado potentes programas informáticos, conocidos como modelos de lenguaje de proteínas, que pueden leer estas secuencias genéticas y predecir qué cambios son probables que ocurran a continuación. Estas herramientas fueron entrenadas con vastas bibliotecas de secuencias de proteínas naturales, aprendiendo la "gramática" de la vida para adivinar cómo podría ser un virus en el futuro. La esperanza ha sido que estos programas pudieran mapear el panorama de la aptitud viral, mostrando a los investigadores qué mutaciones ayudarán a un virus a propagarse y cuáles causarán su fracaso. Esta capacidad es vital para la salud pública, particularmente para enfermedades como la influenza, donde predecir la próxima cepa dominante con meses de antelación es la única forma de diseñar vacunas efectivas antes de que comience la temporada.

Sin embargo, un nuevo estudio sugiere que estos programas informáticos no solo están aprendiendo sobre las necesidades de supervivencia del virus, sino que también están aprendiendo sobre los límites mecánicos de cómo ocurren las mutaciones. Los investigadores descubrieron que los modelos han absorbido un sesgo oculto: saben qué cambios genéticos son más fáciles de realizar simplemente debido a cómo está estructurado el ADN. Algunos cambios de aminoácidos requieren solo un cambio de una letra en el código genético, mientras que otros requieren dos o tres. Debido a que los modelos fueron entrenados con datos del mundo real, aprendieron que los cambios fáciles ocurren con más frecuencia, no necesariamente porque sean mejores para el virus, sino porque son más accesibles. Esto crea una confusión donde la predicción del modelo sobre el éxito de una mutación es en realidad una mezcla de qué tan buena es la mutación para el virus y qué tan fácil es de crear.

Para desenredar esta mezcla, los investigadores utilizaron la reciente aparición de un nuevo linaje del virus de la influenza A, conocido como el linaje K, como una prueba de esfuerzo. Esta nueva cepa apareció con nueve cambios específicos en su proteína de superficie principal en comparación con su ancestro. Al analizar estos cambios, el equipo descubrió que los modelos informáticos habían aprendido, de hecho, las reglas de la accesibilidad mutacional. Podían predecir qué intercambios de aminoácidos serían probables de ocurrir basándose en cuántos pasos genéticos se requerían, a pesar de que los modelos nunca se les mostró el código genético en sí, solo las formas finales de las proteínas. El estudio mostró que cuando estos modelos eran ajustados con datos virales específicos, se volvían aún mejores al reconocer estas restricciones mecánicas, aprendiendo efectivamente qué códigos genéticos sinónimos se estaban utilizando y qué tan probable era que una mutación específica ocurriera en una sola ronda de replicación.

Los investigadores probaron entonces si este conocimiento oculto ayudaba o perjudicaba su capacidad para predecir el futuro. Cuando el objetivo era predecir qué nuevas mutaciones aparecerían en la población en absoluto, añadir información explícita sobre la accesibilidad mutacional mejoró significamente los modelos. Ayudó a filtrar los cambios imposibles o altamente improbables, reduciendo el vasto número de posibilidades a aquellas que eran realmente alcanzables. Sin embargo, los resultados se invirtieron cuando los investigadores intentaron predecir qué tan exitosa sería una mutación una vez que ya hubiera aparecido. En este caso, los modelos funcionaron mejor cuando se eliminó la influencia de la accesibilidad mutacional. Esto sugiere que una vez que una mutación ha superado el obstáculo inicial de ser creada, su propagación es impulsada casi enteramente por la selección natural y la aptitud del virus, no por qué tan fácil fue de hacer en primer lugar.

El estudio también observó cómo estos modelos funcionan en experimentos de laboratorio que miden la aptitud real de las proteínas virales. Los investigadores encontraron que las predicciones de los modelos a menudo estaban sesgadas por los mismos sesgos mutacionales que habían aprendido. Cuando el equipo ajustó los modelos para reducir el peso de la influencia de estas mutaciones fáciles de generar, las predicciones de la aptitud de las proteínas se volvieron más precisas. Esto indica que los modelos anteriormente estaban otorgando demasiado crédito a las mutaciones que eran comunes simplemente porque eran fáciles de generar, en lugar de porque fueran las mejores para el virus. Los hallazgos implican que, para obtener la imagen más precisa de cómo evolucionará un virus, los científicos deben separar las dos fuerzas: la probabilidad bruta de que ocurra una mutación y el valor biológico de esa mutación una vez que existe.

Al separar explícitamente estos factores, los investigadores proponen una forma más clara de pronosticar la evolución viral. En lugar de depender de una sola puntuación que mezcla la aptitud y la accesibilidad, los modelos futuros podrían calcular la aptitud estructural de una proteína de forma independiente y luego añadir la probabilidad de que la mutación ocurra. Este enfoque proporcionaría un mapa más realista para el pronóstico evolutivo, ayudando a los funcionarios de salud pública a anticipar qué cepas son verdaderamente peligrosas. También ofrece una herramienta más limpia para la biología sintética, donde los científicos diseñan proteínas desde cero sin las restricciones de la historia evolutiva. El estudio concluye que, si bien la evolución viral es compleja y estocástica, comprender los roles distintos del suministro mutacional y la selección natural permite una predicción más precisa y confiable del próximo movimiento del patógeno.

Resumen Técnico: Los modelos de lenguaje de proteínas aprenden la accesibilidad subyacente de las mutaciones junto con los paisajes de aptitud de las proteínas

Planteamiento del problema
Los modelos de lenguaje de proteínas (PLM, por sus siglas en inglés), como ESM-2 y ESM-C, se utilizan cada vez más para mapear los paisajes de aptitud proteica puntuando los reemplazos de aminoácidos como pseudo-probabilidades. Estas puntuaciones se interpretan como indicadores de las restricciones estructurales y funcionales impuestas por la selección natural. Sin embargo, existe un factor de confusión crítico: los PLM son entrenados en secuencias de aminoácidos naturales, las cuales son el producto tanto de la aptitud de la proteína como de los sesgos subyacentes de los procesos de mutación de nucleótidos.

Las trayectorias evolutivas no están impulsadas únicamente por la aptitud; están fuertemente restringidas por la accesibilidad mutacional. Ciertos reemplazos de aminoácidos son órdenes de magnitud más probables que otros debido a:

Sesgos de mutación direccional (por ejemplo, sesgos de A->G y T->C impulsados por el huésped en la influenza).
Estructura del codón: Los reemplazos que requieren un cambio de un solo nucleótido son mucho más accesibles que aquellos que requieren dos o tres cambios.
Uso de codones sinónimos: La selección directa a nivel de nucleótido puede sesgar el uso de codones.

El artículo postula que los PLM aprenden implícitamente estas restricciones mutacionales, conllevando la aptitud con la accesibilidad. Esta confluencia limita la utilidad de los PLM tanto para el pronóstico evolutivo (predecir qué variantes emergerán) como para el diseño sintético (aislar efectos de aptitud pura).

Metodología
Los autores utilizaron la rápida emergencia del linaje K divergente de la influenza A H3N2 (definido por nueve mutaciones de la hemaglutinina respecto al ancestro J.2) como una prueba de esfuerzo. Emplearon un marco comparativo que involucra:

Modelos: PLM base (ESM-2 650M, ESM-C 600M) y versiones ajustadas (HA-80 para Influenza, ESM-C ajustado para SARS-CoV-2).
Métricas de accesibilidad mutacional: Probabilidades de mutación de nucleótidos empíricas derivadas de Pauly et al. (2017) para H3N2 y De Maio et al. (2021) para SARS-CoV-2. Estas se utilizaron para calcular la probabilidad de transiciones de aminoácidos basadas en las tasas de mutación de codón a codón.
Análisis de compresión de información: Se diseñó un flujo de trabajo para comprimir matrices de mutación de codones de 64×64 en matrices de aminoácidos de 20×20 para cuantificar cuánta información mutacional es teóricamente recuperable únicamente de las secuencias de aminoácidos.
Barrido de parámetros ( $\alpha$ ): Para desentrañar la aptitud de la accesibilidad, los autores introdujeron un parámetro de ponderación $\alpha$ $α$ en la función de puntuación: $Puntuación = Prob_{PLM} \times Prob_{Mutación}^\alpha$ $P u n t u a c i \overset{o}{ˊ} n = P r o b_{P L M} \times P r o b_{M u t a c i \overset{o}{ˊ} n}^{α}$ .
- $\alpha = 0$ : Probabilidad bruta del PLM.
- $\alpha = 1$ : Acoplamiento explícito de la probabilidad del PLM con la accesibilidad mutacional.
- $\alpha < 0$ : Desponderación de las mutaciones accesibles para aislar la aptitud.
Tareas de evaluación:
1. Predicción binaria: Predecir qué reemplazos de aminoácidos se observan en los linajes circulantes.
2. Predicción de frecuencia: Predecir la frecuencia de las variantes observadas (el 5% superior de las frecuencias alélicas).
3. Escaneo mutacional profundo (DMS): Correlacionar las puntuaciones de los PLM con los datos experimentales de aptitud (entrada celular, estabilidad de pH, escape de suero, ratio de preferencia) para Influenza y SARS-CoV-2.
4. Permutación de codones: Probar si los PLM distinguen entre cambios de aminoácidos idénticos basados en la distancia mutacional del codón inicial.

Resultados clave

Aprendizaje implícito del sesgo mutacional: Tanto los PLM base como los ajustados aprenden implícitamente la accesibilidad mutacional. Aunque las probabilidades brutas muestran una correlación débil con el suministro mutacional, las correlaciones en escala logarítmica son fuertes ( $r \approx 0.63$ para HA-80 ajustado). El ajuste fino sobre secuencias virales específicas amplifica significativamente este sesgo, permitiendo a los modelos aprender patrones específicos de uso de codones y matrices de mutación de nucleótidos sin entrada explícita de codones.
Impacto en el pronóstico evolutivo:
- Predicción de la emergencia: La incorporación explícita de la accesibilidad mutacional ( $\alpha > 0$ ) mejora significativamente la predicción binaria de qué reemplazos de aminoácidos serán observados (el AUROC aumentó de 0.928 a 0.950 para HA-80). Esto confirma que el suministro mutacional es un motor primario de qué variantes emergen.
- Predicción de la frecuencia: Por el contrario, al predecir la frecuencia de variantes ya circulantes, añadir la accesibilidad mutacional degrada el rendimiento. Esto sugiere que una vez que una variante ha superado la barrera mutacional, la selección domina la dinámica, y la señal mutacional se convierte en una variable de confusión.
Impacto en la predicción de la aptitud (DMS):
- Para los datos de Escaneo Mutacional Profundo, la mejor correlación entre las puntuaciones de los PLM y la aptitud experimental se logró cuando la accesibilidad mutacional fue desponderada ( $\alpha < 0$ ).
- Los modelos ajustados mostraron la mayor mejora cuando sus puntuaciones fueron ponderadas inversamente por la accesibilidad, lo que indica que el aprendizaje implícito del sesgo mutacional en los modelos ajustados oscurece activamente la señal de aptitud proteica subyacente.
Sensibilidad a la distancia de codones: Los PLM distinguen entre cambios de aminoácidos basados en el número de mutaciones de nucleótidos requeridas (1nt vs. 2nt vs. 3nt). Los modelos ajustados muestran una preferencia significativa por las sustituciones que se originan de codones "fáciles" (1nt), incluso cuando el cambio bioquímico es idéntico, confirmando que han aprendido la topología del espacio de codones.

Significancia y afirmaciones
El artículo afirma que las pseudo-probabilidades actuales de los PLM son métricas compuestas que conllevan la aptitud de la proteína con los sesgos históricos en el suministro mutacional. Los autores argumentan que:

El ajuste fino exacerba el sesgo: Si bien el ajuste fino mejora el poder predictivo general para tareas evolutivas, incrusta profundamente los sesgos mutacionales específicos de cada organismo en el modelo, lo cual puede ser perjudicial para aislar los efectos de aptitud pura.
El desacoplamiento es necesario: Para optimizar la precisión predictiva en el pronóstico de patógenos del mundo real y el diseño sintético, los investigadores deben desacoplar explícitamente estos procesos evolutivos independientes.
- Para el pronóstico de la emergencia, los modelos deben combinar la aptitud predicha con la accesibilidad mutacional explícita.
- Para el diseño sintético o el mapeo de la aptitud, los modelos deben desponderar la accesibilidad mutacional para aislar las restricciones de la aptitud estructural.
Limitaciones de los modelos actuales: El estudio demuestra que los PLM entrenados únicamente en secuencias de aminoácidos pueden inferir restricciones complejas a nivel de nucleótidos, pero esta capacidad actúa como un factor de confusión cuando el objetivo es comprender el paisaje de aptitud de forma aislada.

Los autores concluyen que separar el suministro mutacional de la selección estructural proporciona un marco más claro para mapear las trayectorias evolutivas, reconociendo que la evolución viral es estocástica y que los modelos actuales no pueden predecir plenamente todas las trayectorias sin tener en cuenta estas fuerzas distintas.

Más como este