Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

Las proteínas son las máquinas de trabajo de la vida, diminutas máquinas moleculares que se pliegan en formas complejas para llevar a cabo cada función dentro de una célula. Para entender cómo funciona una proteína, los científicos a menudo necesitan estudiar su forma con un detalle extremo, un proceso que normalmente requiere que la proteína sea aislada y cristalizada. Sin embargo, muchas proteínas son demasiado largas o demasiado flexibles para ser estudiadas en una sola pieza. A menudo están construidas a partir de varias unidades distintas y estables llamadas dominios, conectadas por regiones flexibles y no estructuradas que actúan como bisagras o espaciadores. Para obtener una imagen clara de un solo dominio, los investigadores deben cortar la proteína en los puntos adecuados, eliminando las partes flexibles mientras mantienen intactas las partes estables. Encontrar estos puntos de corte es difícil porque las instrucciones de dónde cortar están ocultas en la secuencia de aminoácidos de la proteína, y sin una estructura 3D conocida, es como intentar encontrar las costuras de un avión de papel plegado sin haber visto nunca el papel desplegado.

Durante décadas, los científicos han dependido de bases de datos que comparan la secuencia de una proteína con una biblioteca de proteínas conocidas y bien estudiadas para adivinar dónde podrían estar estos dominios. Este enfoque funciona bien cuando la proteína es similar a algo que ya está en la biblioteca, pero falla por completo para proteínas nuevas o inusuales que no tienen parientes conocidos. Un equipo de investigadores de la Universidad Wilfrid Laurier ha desarrollado una nueva herramienta llamada Seq2DomML que evita esta limitación. En lugar de buscar coincidencias en una biblioteca de proteínas conocidas, este nuevo sistema aprende a reconocer los sutiles patrones químicos y físicos en una secuencia que señalan los límites entre los domelos estables y los conectores flexibles. Al entrenar un modelo informático con miles de proteínas bacterianas cuyas estructuras ya son conocidas, los investigadores crearon un sistema que puede predecir dónde cortar una proteína basándose únicamente en su secuencia de aminoácidos, incluso si esa proteína nunca antes ha sido vista.

Los investigadores comenzaron reuniendo un conjunto masivo de datos de proteínas bacterianas que habían sido resueltas mediante cristalografía de rayos X, una técnica que revela la disposición precisa de los átomos en 3D. Filtraron esta lista para eliminar proteínas que eran demasiado similares entre sí o que pertenecían a grupos específicos que se comportan de manera diferente, quedándose con casi 7.600 cadenas proteicas únicas. Para cada una de estas cadenas, utilizaron una base de datos estructural de confianza para marcar cada aminoácido como parte de un dominio estable o parte de una región flexible como un conector o una cola. Para que estos límites fueran más fáciles de aprender para la computadora, expandieron ligeramente las marcas para las regiones flexibles, tratándolas como tramos cortos en lugar de puntos únicos.

A continuación, el equipo tradujo la secuencia bruta de aminoácidos en un rico conjunto de descripciones numéricas para cada posición en la proteína. Incluyeron información sobre la naturaleza química de cada aminoácido, su posición dentro de la cadena y cómo podría interactuar con sus vecinos. Esto resultó en casi 2.400 características diferentes para cada aminoácido individual. Para gestionar esta complejidad, los investigadores utilizaron un proceso de dos pasos para seleccionar las características más útiles. Primero, eliminaron las características que eran redundantes o irrelevantes. Luego, emplearon un algoritmo evolutivo, un método que imita la selección natural, para probar miles de combinaciones diferentes de características para encontrar el conjunto específico que permitiera a la computadora realizar las predicciones más precisas.

El núcleo de su sistema es un tipo de inteligencia artificial conocida como modelo de memoria de largo plazo bidireccional (bidirectional long short-term memory). Este modelo está diseñado para procesar secuencias, lo que le permite comprender que la identidad de un aminoácido específico no depende solo de sus vecinos inmediatos, sino del contexto más amplio de toda la cadena. El modelo fue entrenado para predecir si cada aminoácido pertenecía a un dominio estable o a una región flexible. Para manejar el hecho de que las regiones flexibles son mucho más raras que las estables, los investigadores ajustaron el proceso de entrenamiento para prestar especial atención a estos límites más difíciles de encontrar. Tras extensas pruebas y ajustes, se decidieron por una configuración que equilibraba la necesidad de encontrar todas las regiones flexibles sin etiquetar erróneamente las partes estables como flexibles.

Cuando el equipo probó su nueva herramienta en un conjunto de proteínas que nunca había visto, los resultados fueron prometedores. El modelo identificó con éxito los límites de los dominios con un alto grado de precisión, superando a varias herramientas establecidas que dependen de la comparación de secuencias con familias conocidas. Si bien las herramientas más antiguas eran mejores para encontrar cada posible región flexible, a menudo cometían errores al etiquetar partes estables y plegadas de una proteína como flexibles, lo que conduciría a resultados experimentales deficientes si un científico intentara cortar la proteína en ese punto. En contraste, Seq2DomML fue mucho más selectivo, identificando correctamente los domas estables y los conectores flexibles con mayor precisión. Esto significa que cuando un científico utiliza esta herramienta para decidir dónde cortar una proteína, es menos probable que destruya accidentalmente una unidad funcional.

Los investigadores también visualizaron cómo se veían sus predicciones al mapearlas sobre estructuras proteicas 3D reales. En casos donde otras herramientas no reconocieron un dominio porque no tenía parientes conocidos, Seq2DomML identificó correctamente las regiones estables y plegadas. En un ejemplo, las herramientas existentes vieron una gran parte de una proteína como desestructurada e inútil, mientras que el nuevo modelo identificó correctamente que se trataba de un dominio distinto y estable. Esto sugiere que la herramienta puede encontrar orden en secuencias que otros métodos descartan como aleatorias o sin estructura. El modelo no siempre obtuvo el número de dominios perfecto, pero proporcionó una guía más equilibrada y fiable de dónde realizar los cortes que los métodos estándar actuales.

El estudio concluye que este enfoque basado en secuencias ofrece una nueva vía valiosa para diseñar experimentos de proteínas, particularmente para proteínas que están poco comprendidas o carecen de parientes conocidos. Al proporcionar un mapa más preciso de dónde terminan los dominios estables y dónde comienzan las regiones flexibles, la herramienta puede ayudar a los científicos a ahorrar tiempo y recursos al reducir el número de experimentos fallidos necesarios para encontrar el fragmento de proteína adecuado para estudiar. Los investigadores señalan que, aunque el modelo es un paso significativo, el trabajo futuro se centrará en refinar su capacidad para detectar límites y probar si funciona igual de bien en proteínas de otros organismos más allá de las bacterias. El objetivo final es hacer que el proceso de resolución de estructuras proteicas sea más eficiente, permitiendo a los científicos comprender la maquinaria de la vida incluso cuando los planos están ausentes.