Tree-aware conditional language modeling recovers mutational patterns of viral evolution

Los virus son maestros del cambio. Sobreviven reescribiendo constantemente sus propias instrucciones genéticas, intercambiando partes de sus proteínas para evadir los sistemas inmunológicos de los huéspedes que infectan. Este proceso no es un caos aleatorio; sigue un camino. Una mutación que ayuda a un virus hoy podría ser inútil o incluso perjudicial mañana, dependiendo de los otros cambios que ya han ocurrido en esa línea familiar específica. Los científicos han intentado durante mucho tiempo predecir estos cambios utilizando modelos computacionales que leen el lenguaje de las proteínas, tratándolas como oraciones donde ciertas palabras encajan mejor que otras. Sin embargo, la mayoría de estos modelos observan el resultado final sin prestar atención al trayecto. Ven el destino pero ignoran el mapa de cómo el virus llegó allí, perdiendo de vista el hecho de que la historia de un virus moldea qué cambios puede realizar de forma segura a continuación.

Un equipo de investigadores ha desarrollado una nueva forma de abordar este problema, una que obliga a la computadora a prestar atención al árbol genealógico. Crearon un sistema llamado evoPLM-Tree, que actúa como un modelo de lenguaje que comprende la evolución. En lugar de simplemente adivinar cómo podría ser una secuencia de proteínas, este modelo toma una secuencia de un virus ancestral y un árbol familiar específico como punto de partida. Luego, aprende a predecir el siguiente paso en el linaje, utilizando la historia de cómo el virus ha cambiado a lo largo del tiempo como guía. Los investigadores probaron este enfoque utilizando la proteína espiga del virus SARS-CoV-2, la parte que permite al virus entrar en las células humanas. Emparejaron secuencias de versiones tempranas de la variante Ómicron con sus ancestros, basándose en sus posiciones en un árbol filogenético —un diagrama que mapea las relaciones evolutivas entre diferentes cepas de virus.

Cuando el equipo pidió al modelo que generara secuencias descendientes, este se desempeñó con un nivel de precisión que los modelos estándar no pudieron igualar. Al alimentar al modelo con el contexto evolutivo, los investigadores descubrieron que la computadora dependía mucho más de la información de entrada real que de simples conjeturas basadas en patrones generales. Las secuencias que creó el modelo no fueron solo variaciones aleatorias; reprodujeron con precisión los puntos específicos de la proteína donde ocurren las mutaciones en el mundo real. Las predicciones del modelo sobre la frecuencia con la que aparecerían las mutaciones en diferentes posiciones coincidieron con los datos observados con una fuerte correlación, mostrando un vínculo claro entre lo que la computadora predijo y lo que la naturaleza realmente hizo. Esto fue cierto tanto para la proteína espiga completa como para el dominio de unión al receptor específico, la parte del virus que se engancha a las células humanas.

El estudio también analizó qué tan bien se mantenían estas predicciones cuando el virus se alejaba más de su punto de partida en el tiempo. Si bien el modelo se volvió menos preciso al predecir los cambios de una sola letra a medida que la distancia evolutiva crecía, siguió siendo notablemente bueno capturando los patrones generales de cambio en toda la proteína. Para ver si estos patrones significaban algo real, los investigadores compararon las predicciones del modelo con experimentos de laboratorio que probaban qué mutaciones podía tolerar el virus sin romperse. Las mutaciones que el modelo asignó una alta probabilidad fueron las mismas que los científicos ya habían confirmado que podían sobrevivir en un entorno de laboratorio. El modelo identificó con éxito las mutaciones que permitían al virus mantener su capacidad de unirse a las células humanas, a pesar de que nunca se le había mostrado ningún dato experimental durante su entrenamiento.

Este trabajo demuestra que darle a un modelo computacional una visión clara de la historia familiar de un virus le permite aprender las reglas específicas de la evolución de ese linaje. Al incluir explícitamente el camino de la ascendencia, el modelo puede recuperar los patrones mutacionales únicos que definen cómo cambia un virus a lo largo del tiempo. Los resultados sugieren que este enfoque proporciona un marco confiable para comprender la evolución de las proteínas y podría ayudar a los científicos a priorizar qué mutaciones futuras es más probable que aparezcan, basándose en los datos genómicos que ya tenemos. Ofrece una forma de ver no solo en qué podría convertirse un virus, sino cómo es probable que llegue allí, fundamentado en la historia real de sus ancestros.