Repurposing PeTriBERT for Protein Protein Interaction Prediction with Sequence Structure Fusion

La vida a escala microscópica es un mundo de conexión constante. Dentro de cada célula viva, las proteínas actúan como los trabajadores, constructores y mensajeros que mantienen en funcionamiento la maquinaria de la vida. Estas moléculas no son figuras solitarias; rara vez trabajan solas. En su lugar, deben encontrar socios específicos y encajar para formar equipos que impulsen reacciones químicas, envíen señales o construyan estructuras celulares. Este proceso de dos proteínas encontrándose y adhiriéndose se llama interacción proteína-proteína. Comprender exactamente qué proteínas se emparejan y cómo lo hacen es crucial para los científicos. Si los investigadores pueden mapear estas conexiones, pueden descubrir cómo comienzan las enfermedades, por qué ciertos fármacos funcionan y cómo diseñar nuevas medicinas para reparar sistemas biológicos averiados.

Durante mucho tiempo, descifrar estas asociaciones fue como intentar resolver un rompecabezas con piezas faltantes. Los científicos podían observar la interacción de las proteínas en un laboratorio, pero el proceso era lento, costoso y a menudo incompleto. En años recientes, la inteligencia artificial ha intervenido para ayudar, aprendiendo a predecir cómo las proteínas se pliegan en sus formas tridimensionales. Este avance ha abierto una nueva puerta: si podemos predecir la forma de una proteína, podríamos ser capaces de predecir cómo interactuará con otras. Sin embargo, la forma de una proteína es solo la mitad de la historia. Su secuencia química —el orden específico de sus bloques de construcción— también contiene pistas vitales. El desafío ha sido construir un modelo computacional que pueda leer tanto la secuencia como la forma al mismo tiempo, combinándolas para hacer una predicción fiable sobre si dos proteínas interactuarán.

Un equipo de investigadores en Francia ha dado un paso significativo en este esfuerzo al crear una nueva herramienta llamada PeTriPPI2. Su trabajo se centra en una estrategia inteligente de reutilización de modelos de inteligencia artificial existentes para resolver un problema nuevo. Comenzaron con dos sistemas potentes y preentrenados. El primero es un modelo que ha leído millones de secuencias de proteínas, aprendiendo el lenguaje de la biología de forma muy similar a como un humano aprende un lenguaje hablado. El segundo es un modelo diseñado originalmente para hacer lo opuesto a lo que se suele esperar: en lugar de predecir una forma a partir de una secuencia, fue entrenado para adivinar la secuencia que crearía una forma específica. Este segundo modelo, conocido como PeTriBERT, es excepcionalmente bueno comprendiendo las reglas geométricas que gobiernan cómo las partes de las proteínas encajan en el espacio tridimensional.

Los investigadores se dieron cuenta de que, aunque PeTriBERT fue construido para una tarea diferente, su profundo entendimiento de la geometría proteica podría ser increíblemente útil para predecir interacciones. Fusionaron este modelo geométrico con el modelo de lectura de secuencias, creando un sistema híbrido. En su configuración, las dos proteínas a probar se introducen en el sistema de dos maneras. Una vía envía la secuencia bruta de aminoácidos a través del modelo de lenguaje para capturar las instrucciones químicas. La otra vía envía la estructura tridimensional de las proteínas a través del modelo geomético. El sistema luego observa cómo se alinean estas dos corrientes de información. Se pregunta si las instrucciones químicas y las formas físicas de las dos proteínas son lo suficientemente compatibles como para formar un enlace estable.

Para probar si este enfoque funcionaba, el equipo entrenó su nuevo modelo con un conjunto masivo de datos que contenía más de 1,6 millones de pares de proteínas, la mitad de los cuales interactuaban y la otra mitad no. Luego, sometieron al modelo a una prueba con un grupo separado de 2.342 pares de proteínas que nunca había visto antes. Los resultados fueron sólidos. El modelo identificó correctamente los pares que interactúan con un alto grado de precisión, logrando una puntuación de 0,898. Más importante aún, cuando decía que dos proteínas interactuarían, acertaba el 91,7 por ciento de las veces. Este alto nivel de precisión significa que el modelo es muy bueno evitando falsas alarmas, una característica crítica para los investigadores que necesitan pistas fiables para investigar en el laboratorio.

El estudio también reveló algo interesante sobre cómo funciona el modelo mediante la prueba de qué sucede cuando se eliminan partes de este. Cuando los investigadores bloquearon el acceso del modelo a la información de la secuencia, su capacidad para predecir interacciones disminuyó significativamente. Cuando bloquearon la información estructural, la precisión del modelo cayó a 0,523 y su puntuación F1 a 0,118, funcionando solo ligeramente mejor que el azar. Esto confirmó que tanto la secuencia química como la forma física son esenciales para que el sistema funcione. El modelo no solo está memorizando patrones; está utilizando genuinamente la combinación de ambos tipos de datos para tomar sus decisiones.

Al compararlo con otros métodos líderes, PeTriPPI2 mostró una fortaleza distintiva. Fue más preciso que un modelo híbrido similar llamado SpatialPPIv2, lo que significa que cometió menos errores al predecir que ocurriría una interacción. Sin embargo, fue ligeramente menos sensible, detectando menos de las interacciones totales posibles. Esto sugiere que PeTriPPI2 opera con un estándar más estricto, prefiriendo estar seguro antes de emitir un juicio. Para los científicos, este compromiso puede ser valioso. En muchos escenarios de investigación, es mejor tener una lista más pequeña de candidatos altamente fiables que una lista larga de posibilidades que incluye muchas pistas falsas.

El trabajo demuestra que los modelos de inteligencia artificial entrenados para una tarea biológica específica pueden adaptarse con éxito para otra. Al tomar un modelo diseñado para la ingeniería inversa de las formas de las proteínas y enseñarle a reconocer interacciones, los investigadores demostraron que el conocimiento geométrico subyacente es transferible. Aunque el modelo todavía depende de tener una buena predicción de la forma de la proteína para funcionar, el éxito de este enfoque sugiere que el futuro de la ciencia de las proteínas puede residir en estos sistemas híbridos. Estos combinan el vasto conocimiento de las secuencias de proteínas con la lógica precisa de la geometría física, ofreciendo una imagen más completa de cómo se conecta el mundo molecular.