Vipsania: Unsupervised Deep Gene Finding

Cada nueva forma de vida que descubrimos en la Tierra comienza su vida científica como una cadena de letras: una secuencia larga e ininterrumpida de ADN que contiene el plano para construir un organismo vivo. Pero una secuencia bruta es como un libro escrito en un lenguaje donde se han eliminado los espacios entre las palabras y se han quitado las letras mayúsculas. Para entender cómo funciona ese organismo, los científicos primero deben encontrar las oraciones —los genes— que le dicen a la célula cómo construir proteínas, las máquinas moleculares que realizan el trabajo real de la vida. Este proceso, conocido como búsqueda de genes, es el primer paso esencial para casi cualquier investigación biológica. Sin él, el genoma permanece como un código silencioso. Durante décadas, la forma más fiable de leer estos códigos ha sido buscar pistas del mundo exterior, como comparar el ADN con proteínas conocidas de especies relacionadas o utilizar datos de ARN para ver qué partes del genoma están activas. Sin embargo, este enfoque choca con un muro cuando los científicos se encuentran con la gran mayoría de la vida en la Tierra, que no tiene parientes cercanos con genes conocidos ni datos de ARN disponibles. Para estos organismos, las instrucciones para construir la vida han permanecido ocultas.

Un equipo de investigadores de la Universidad de Greifswald ha introducido ahora una nueva herramienta llamada Vipsania que cambia la forma en que leemos estos libros silenciosos. En lugar de depender de pistas externas o mapas preexistentes, Vipsania aprende a encontrar genes leyendo la propia secuencia de ADN, sin ningún conocimiento previo de cómo es un gen. Los investigadores entrenaron este programa informático con casi un billón de letras de ADN de miles de especies diferentes, enseñándole a predecir la siguiente letra en una secuencia basándose en las anteriores. Al hacerlo, el programa aprendió accidentalmente la gramática oculta de la vida: los patrones específicos que distinguen a un gen del ADN no codificante que lo rodea. El resultado es un sistema que puede identificar con precisión los genes en casi cualquier organismo eucariota, desde algas microscópicas hasta animales complejos, incluso cuando nadie ha visto antes un gen de ese grupo específico.

El desafío de encontrar genes es particularmente difícil porque las instrucciones no están escritas en una línea simple y continua. En organismos complejos, las partes de un gen que codifican proteínas suelen estar interrumpidas por largos tramos de ADN no codificante, de forma muy parecida a una oración donde las palabras importantes están separadas por un relleno aleatorio y sin sentido. Para reconstruir el gen, una computadora debe determinar dónde empiezan y terminan estas interrupciones, y en qué dirección se está leyendo la oración. Los métodos tradicionales dependen del aprendizaje "supervisado", donde se le muestra a una computadora miles de ejemplos de genes correctos de especies bien estudiadas y se le enseña a reconocer los patrones. Esto funciona bien para grupos familiares como los humanos o las moscas de la fruta, pero falla cuando la computadora encuentra una especie que es demasiado diferente de sus ejemplos de entrenamiento. Si la computadora solo ha visto genes de mamíferos, tendrá dificultades para encontrar genes en una esponja o un hongo, perdiéndolos a menudo por completo o inventando estructuras que no existen.

Vipsania toma un camino diferente. Es un sistema "no supervisado", lo que significa que nunca se le mostró un solo ejemplo de un gen correcto durante su entrenamiento. En su lugar, se le dieron secuencias de ADN bruto y se le pidió que rellenara los huecos. Los investigadores ocultaron letras aleatorias en la secuencia y pidieron al modelo que adivinara cuáles eran basándose en el contexto circundante. Para hacer posible esta tarea, construyeron una capa especial en el cerebro de la computadora que actúa como un corrector gramatical. Esta capa impone las reglas de la estructura de los genes, como asegurar que el marco de lectura se mantenga constante y que las señales de parada aparezcan en los lugares adecuados. A medida que el modelo intentaba predecir las letras faltantes, tenía que aprender la estructura subyacente del genoma para tener éxito. Con el tiempo, el modelo descubrió los patrones de los genes por sí mismo, aprendiendo a distinguir entre regiones codificantes y no codificantes sin haber recibido nunca instrucciones sobre qué era un gen.

Los resultados de este enfoque son sorprendentes. Cuando se probó contra las mejores herramientas existentes, Vipsania demostró ser más preciso en casi todos los grupos de organismos examinados. Mientras que otros métodos suelen perder precisión cuando se aplican a especies distantes, Vepsania mantuvo su rendimiento, demostrando que había aprendido las reglas fundamentales de la vida en lugar de simplemente memorizar ejemplos específicos. En pruebas que involucraron grupos como hongos, insectos y varios tipos de algas, Vipsania identificó correctamente la estructura de los genes en la gran mayoría de los casos, superando a menudo a las herramientas que dependen de enormes cantidades de datos externos. Incluso tuvo éxito en encontrar genes en organismos que utilizan un código genético ligeramente diferente, donde las señales de "parada" estándar para los genes significan algo completamente distinto. Simplemente ajustando un pequeño parámetro para coincidir con el código específico del organismo, los investigadores pudieron entrenar a Vipsania en un solo genoma en solo unas pocas horas, y este comenzó inmediatamente a producir anotaciones precisas.

Esta capacidad es crucial para el futuro de la biología. Actualmente se está llevando a cabo un enorme esfuerzo global para secuenciar los genomas de todas las especies conocidas en la Tierra, un proyecto que pretende crear una biblioteca de referencia para los 1,67 millones de especies eucariotas conocidas. Sin embargo, el cuello de botella ya no es la secuenciación del ADN; es la anotación del mismo. Actualmente, menos del 20 por ciento de los genomas en las bases de datos públicas tienen una anotación de genes, lo que deja ramas enteras del árbol de la vida, como muchos tipos de algas y animales microscópicos, sin ningún mapa estructural. Vipsania ofrece una forma de cerrar esta brecha. Debido a que no requiere datos de ARN ni de especies relacionadas para funcionar, puede aplicarse a cualquier genoma, independientemente de lo poco que se sepa de ese organismo. Los investigadores han publicado modelos preentrenados para 17 grupos principales de la vida, que cubren más del 99 por ciento de todas las especies eucariotas conocidas, y han proporcionado un modelo general para la fracción restante.

El éxito de Vipsania sugiere que las reglas de la estructura de los genes son lo suficientemente universales como para ser aprendidas únicamente a partir del texto bruto del ADN. Al eliminar la necesidad de evidencia externa, los investigadores han creado una herramienta que puede dar luz a los rincones más oscuros del árbol de la vida. Si bien las herramientas que utilizan datos de ARN pueden seguir siendo la mejor opción para las especies bien estudiadas donde tales datos abundan, Vipsania proporciona una solución de vanguardia para la gran mayoría de la vida en la Tierra que nunca ha sido estudiada de esta manera. Representa un cambio de depender de lo que ya sabemos a descubrir lo que hay allí, simplemente escuchando el lenguaje del propio genoma. Por primera vez, los científicos cuentan con un método que puede generar mapas de genes de alta calidad para prácticamente cualquier organismo eucariota, convirtiendo las cadenas silenciosas de ADN en instrucciones legibles para la vida.