RegimeFormer: A Large Protein Model of Global Perturbation Regimes
RegimeFormer es un modelo de proteínas a gran escala que, a través de su base de datos asociada RegimeAtlas de más de 200 millones de secuencias, establece regímenes de perturbación globales para predecir los efectos de las mutaciones a nivel de residuo y mejorar el modelado biológico descendente, particularmente para proteínas y familias no vistas.
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
Las proteínas son las máquinas de trabajo de la vida, diminutas máquinas moleculares que construyen células, combaten infecciones y llevan a cabo las reacciones químicas que nos mantienen vivos. Están hechas de largas cadenas de bloques de construcción llamados aminoácidos, y el orden específico de estos bloques determina cómo se pliega la proteína y qué función realiza. Durante décadas, los científicos han sabido que cambiar incluso un solo bloque de construcción en esta cadena puede tener consecuencias dramáticas. A veces el cambio es inofensivo; otras veces rompe la máquina por completo, provocando enfermedades. En años recientes, los investigadores han desarrollado poderosas herramientas informáticas para predecir estos resultados, pero estas herramientas se han visto limitadas principalmente al estudio de una proteína a la vez. Tienen dificultades cuando se enfrentan al vasto océano inexplorado de proteínas que existen en la naturaleza, muchas de las cuales nunca han sido vistas en un laboratorio.
Un equipo de investigadores ha construido ahora un nuevo tipo de mapa que cubre todo este océano. Crearon un sistema que trata el comportamiento de las proteínas no como una colección de rompecabezas aislados, sino como un paisaje unificado con regiones distintas. Al analizar más de 200 millones de secuencias de proteínas de cada rama del árbol de la vida, descubrieron que las proteínas caen en diferentes "regímenes", o estados, que describen cómo reaccionan al cambio. Algunas proteínas son frágiles, lo que significa que incluso un pequeño ajuste puede romperlas. Otras son adaptables, capaces de absorber cambios e incluso mejorar su función. Los investigadores construyeron un modelo masivo que puede navegar por este paisaje, prediciendo cómo afectará un cambio específico a una proteína, incluso si esa proteína nunca ha sido estudiada antes. Este trabajo proporciona una nueva forma de entender las reglas de la vida a nivel molecular, ofreciendo una guía para los científicos que desean diseñar mejores proteínas o comprender cómo las mutaciones genéticas causan enfermedades.
Los investigadores comenzaron recopilando una cantidad asombrosa de datos. Recopilaron 424 millones de registros brutos de secuencias de proteínas de bases de datos públicas, que incluyen desde genes humanos hasta bacterias encontradas en el suelo y virus. Después de limpiar estos datos para eliminar errores y duplicados, les quedaron 202 millones de proteínas distintas. Esta colección, que llamaron RegimeAtlas, representa un mapa casi completo del universo proteico conocido por la ciencia. En lugar de simplemente enumerar estas proteínas, el equipo utilizó un sofisticado modelo computacional para organizarlas. Proyectaron estas secuencias en un espacio continuo donde las proteínas con comportamientos similares se agrupan. Esto creó un sistema de coordenadas global para cómo las proteínas responden a las mutaciones, revelando que el conjunto completo de proteínas no es aleatorio, sino que sigue un patrón estructurado.
Para que este mapa fuera útil para preguntas específicas, el equipo se centró en un grupo más pequeño y altamente diverso de un millón de proteínas para entrenar su modelo principal, al que llamaron RegimeFormer. Este modelo aprendió a observar una proteína y asignarle una posición en el mapa basándose en su "régimen". Una vez que se conoce el régimen de una proteína, el modelo puede predecir qué sucederá si se intercambia un aminoácido por otro. Lo hace calculando tres cosas clave para cada punto en la cadena de la proteína: fragilidad, adaptabilidad e incertidumbre. La fragilidad mide qué tan probable es que un punto se rompa si se cambia. La adaptabilidad mide qué tan probable es que un cambio sea tolerado o incluso beneficioso. La incertidumbre le indica al investigador qué tan seguro está el modelo de su predicción.
El equipo probó este sistema contra experimentos del mundo real donde los científicos ya habían medido los efectos de miles de mutaciones. Encontraron que las predicciones del modelo coincidían con los resultados experimentales con alta precisión. Más importante aún, el modelo destacó en situaciones donde otras herramientas suelen fallar: cuando se observan proteínas que son muy diferentes a cualquier cosa que haya visto antes, o cuando se trata de familias de proteínas que son raras en los datos de entrenamiento. Esto sugiere que el modelo ha aprendido una regla fundamental sobre cómo funcionan las proteínas, en lugar de simplemente memorizar ejemplos específicos. Los investigadores también verificaron si sus predicciones tenían sentido biológico. Encontraron que los puntos que el modelo marcó como "frágiles" eran exactamente los puntos donde las proteínas suelen realizar sus tareas más críticas, como unirse a otras moléculas o catalizar reacciones químicas. Por el contrario, los puntos "adaptables" se encontraban a menudo en áreas de la proteína que pueden cambiar de forma sin romperse.
Para demostrar que este mapa no era solo un truco matemático, los investigadores compararon sus resultados con datos independientes de otros campos. Observaron las estructuras tridimensionales de las proteínas predichas por otros sistemas de IA y encontraron que las proteínas que el modelo etiquetó como frágiles tendían a tener estructuras menos estables, mientras que aquellas etiquetadas como adaptables eran más estables. También examinaron la historia evolutiva, observando cómo han cambiado las proteínas a lo largo de millones de años. Descubrieron que los puntos que el modelo identificó como frágiles eran los mismos puntos que habían permanecido inalterados durante eones, lo que indica que la naturaleza ha estado seleccionando en contra de los cambios en esas áreas durante mucho tiempo. Esta alineación con la evidencia estructural y evolutiva confirmó que el modelo había descubierto una verdad biológica real.
El poder de este sistema reside en su capacidad de escala. Aunque el modelo fue entrenado con un millón de proteínas, se aplicó a casi 400 millones de puntos individuales a través de todo el atlas. Esto creó una biblioteca masiva de predicciones que los científicos pueden consultar. En lugar de esperar a experimentos de laboratorio costosos y lentos para probar cada posible mutación, los investigadores ahora pueden usar este mapa para priorizar qué cambios vale la pena probar. El equipo demostró que usar este mapa para seleccionar mutaciones para pruebas era significativamente más eficiente que usar métodos anteriores, permitiendo a los científicos encontrar cambios beneficiosos con muchos menos experimentos.
Más allá de solo predecir el comportamiento de las proteínas, los investigadores conectaron este mapa de proteínas con la reacción de las células. Vincularon sus predicciones de proteínas con datos sobre cómo cambian las células su actividad genética cuando se exponen a fármacos u otros estresores. Encontraron que los conocimientos a nivel de proteína ayudaban a explicar por qué ciertas células respondían a los fármacos de formas específicas. Este puente desde el nivel molecular al nivel celular sugiere que entender el "régimen" de una proteína puede ayudar a predecir cómo se comportará una célula o un organismo completo. El equipo también construyó una herramienta pública, llamada RegimeAtlas Explorer, que permite a cualquier persona buscar en esta vasta base de datos, visualizar las predicciones y ver la evidencia detrás de ellas.
Este trabajo representa un cambio en la forma en que los científicos ven el mundo de las proteínas. En lugar de ver las proteínas como entidades aisladas que deben estudiarse una por una, los investigadores han demostrado que existen dentro de un sistema global de comportamientos. Al mapear este sistema, han creado una herramienta que puede guiar el futuro de la biología, desde el diseño de nuevos medicamentos hasta la comprensión de la base genética de las enfermedades. El modelo no solo predice qué sucederá; revela la lógica subyacente de por qué las proteínas se comportan de la manera en que lo hacen, ofreciendo una nueva lente para observar la maquinaria de la vida.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.