GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

La ingeniería de proteínas es el arte de reescribir el código biológico de la vida para crear moléculas que realicen nuevas tareas. En el corazón de este campo reside un desafío simple pero difícil: los científicos poseen una vasta biblioteca de secuencias de proteínas, pero solo pueden probar una mínima fracción de ellas en un laboratorio. El objetivo es encontrar las variantes raras y de alto rendimiento ocultas dentro de ese inmenso mar de posibilidades sin tener que construir y medir cada una de ellas. Para lograr esto, los investigadores utilizan modelos computacionales que aprenden de los pocos ejemplos que han medido. Estos modelos intentan predecir cómo un cambio en la secuencia de la proteína afectará su función, como por ejemplo, qué tan intensamente brillará una proteína fluorescente. Sin embargo, existe un problema importante: estos modelos suelen volverse excesivamente confiados. Pueden predecir que una secuencia completamente nueva y no probada será brillante, simplemente porque se parece un poco a las brillantes que han visto antes, incluso si el modelo no tiene evidencia real que respalde esa afirmación. Esto conduce a un esfuerzo desperdiciado persiguiendo secuencias que se ven bien en la pantalla de una computadora pero que fallan en el mundo real.

Un equipo de investigadores ha desarrollado un nuevo enfoque llamado GLOM–TGITO para resolver este problema específico. En lugar de depender de una visión única y rígida de la proteína, su sistema construye un mapa multicapa de la estructura y el comportamiento de la proteína. Imagine observar un paisaje no solo desde un satélite, sino también desde un dron, una colina y una vista a nivel de calle simultáneamente. El modelo de los investigadores hace algo similar al analizar la proteína en tres escalas diferentes: la molécula completa, regiones específicas de la molécula y puntos clave individuales donde los cambios son cruciales. Al combinar estas diferentes perspectivas, el sistema puede ver el "terreno" del rendimiento de la proteína con mayor claridad. Utiliza este mapa detallado para guiar su búsqueda, asegurando que, cuando propone una nueva proteína más brillante, lo haga basándose en evidencia local sólida y no en meras conjeturas ciegas.

Los investigadores probaron este método en un conjunto de datos que contenía más de 31,000 versiones medidas de una proteína fluorescente llamada ppluGFP2. Entrenaron su modelo para predecir el brillo de estas proteínas basándose en sus secuencias genéticas. Cuando compararon su nuevo sistema con los métodos existentes más fuertes, los resultados fueron sorprendentes. El nuevo modelo cometió significativamente menos errores de predicción. Más importante aún, cuando utilizaron el modelo para buscar los 100 mejores candidatos más brillantes, casi todos ellos —el 96.3% en una prueba y el 97.3% en otra— resultaron ser realmente brillantes al medirse en el laboratorio. En contraste, los mejores métodos de la competencia solo lograron encontrar proteínas brillantes en aproximadamente la mitad de sus mejores selecciones. Esto sugiere que el nuevo sistema es mucho mejor para distinguir entre secuencias que son verdaderamente prometedoras y aquellas que solo parecen prometedoras para una computadora confundida.

El poder de este sistema reside en cómo maneja la incertidumbre. A medida que la computadora busca mejores proteínas, verifica constantemente su propia confianza. Se pregunta: "¿Tengo suficientes datos reales cercanos para confiar en esta predicción?". Si el modelo se adentra en una región donde tiene poco apoyo experimental, se vuelve cauteloso. Utiliza una compuerta dinámica para ponderar las diferentes visiones del paisaje proteico, priorizando aquellas respaldadas por mediciones reales. Este proceso permitió a los investigadores encontrar 2,594 secuencias candidatas distintas a partir de su búsqueda. Cuando filtraron estas para obtener las 100 mejores, las proteínas seleccionadas no solo fueron predichas como brillantes, sino que también mostraron una "desviación" mucho menor respecto a los datos de entrenamiento conocidos. En términos sencicos, estas nuevas proteínas eran lo suficientemente novedosas como para ser interesantes, pero lo suficientemente cercanas a lo que el modelo sabía que era confiable. Este equilibrio permitió encontrar 38 candidatos que eran tanto nuevos como confiables, una cifra que es más del doble de lo que produjeron otros métodos.

Para entender por qué estas nuevas proteínas funcionaron, los investigadores realizaron simulaciones computacionales detalladas de su comportamiento físico. Observaron cómo se movían las proteínas y cómo sus superficies interactuaban con el agua. Descubrieron que muchos de los diseños exitosos tenían parches superficiales más pequeños y menos pegajosos. En el mundo de las proteínas, tener una superficie menos pegajosa a menudo ayuda a la molécula a plegarse correctamente y evita que se aglutine, lo cual es esencial para que brille intensamente. Más allá de la superficie, las simulaciones revelaron cambios en el núcleo profundo de la proteína, cerca de la parte que realmente emite luz. En algunos de los mejores diseños, la estructura interna sostenía la parte emisora de luz con mayor firmeza, reduciendo su oscilación. En otros, los enlaces químicos que mantienen la parte emisora de luz en su lugar eran más estables. Estos cambios físicos proporcionaron una explicación clara de por qué las elecciones de la computadora tuvieron éxito: las nuevas secuencias crearon un entorno más estable para que la luz brillara.

Este trabajo demuestra que combinar una visión detallada y multiescala de una proteína con una verificación cuidadosa de la evidencia local puede mejorar drásticamente la búsqueda de mejores herramientas biológicas. Los investigadores no solo encontraron proteínas más brillantes; encontraron una forma de encontrarlas con confianza. Al asegurar que cada nueva sugerencia esté respaldada por una comprensión sólida del paisaje local, evitaron la trampa de la sobreconfianza que ha plagado intentos previos. El resultado es un flujo de trabajo que produce un alto rendimiento de proteínas fluorescentes verdaderamente funcionales y brillantes, ofreciendo un camino más confiable para diseñar la próxima generación de sensores y herramientas biológicas. El estudio confirma que cuando enseñamos a las computadoras a mirar las proteínas desde múltiples ángulos y a respetar los límites de su propio conocimiento, podemos descubrir nuevas funciones biológicas que antes estaban fuera de nuestro alcance.