🧬 biology

Shetti-AI: Precise prediction of protein sequence mutational landscapes to accelerate functional assays

Shetti-AI es un marco computacional que integra propiedades fisicoquímicas, distancias genéticas y redes generativas antagónicas para predecir paisajes mutacionales de proteínas y generar variantes optimizadas de tipo motivo, acelerando así los ensayos funcionales y reduciendo los espacios de búsqueda experimental en la biología sintética y la virología.

Autores originales: Haitham Sobhy

Publicado 2026-09-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Haitham Sobhy

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 construidas a partir de cadenas de aminoácidos que se pliegan en formas complejas para realizar tareas específicas. Dentro de estas largas cadenas, secuencias cortas de solo unos pocos aminoácidos suelen actuar como interruptores críticos o puntos de acoplamiento, conocidos como motivos. Estas pequeñas regiones dictan cómo una proteína interactúa con otras moléculas, y un solo cambio en una de estas letras puede alterar todo el comportamiento de la proteína. Los científicos saben desde hace tiempo que para entender una proteína, deben entender estos motivos. Sin embargo, probar cada variación posible de estas secuencias cortas en un laboratorio es una tarea lenta, costosa y, a menudo, imposible. El espacio de cambios potenciales es simplemente demasiado vasto para explorarlo a mano, lo que deja a los investigadores adivinando qué variaciones podrían funcionar y cuáles fallarán.

Para resolver esto, un investigador llamado Haitham Sobhy ha desarrollado una nueva herramienta computacional llamada Shetti-AI. Este sistema está diseñado para predecir qué cambios en los motivos cortos de una proteína es probable que tengan éxito antes de que un científico entre al laboratorio. En lugar de depender únicamente de cómo la naturaleza ha hecho evolucionar las proteínas en el pasado, Shetti-AI mira hacia adelante, simulando cómo podría cambiar una proteína en el futuro. Comienza con un motivo conocido y funcional y genera una lista de nuevos candidatos similares. El sistema hace esto equilibrando dos factores principales: qué tan fácil es para el código genético de una célula realizar el cambio y qué tan bien los nuevos aminoácidos preservan las propiedades físicas necesarias para que la proteína funcione. Al filtrar las opciones improbables y resaltar las más prometedoras, la herramienta tiene como objetivo reducir el enorme espacio de búsqueda a una lista manejable de experimentos.

El artículo destaca un problema específico con las herramientas actuales de inteligencia artificial utilizadas en biología. Muchos programas modernos, a menudo llamados modelos de lenguaje de proteínas, son excelentes para detectar patrones generales en vastas cantidades de datos genéticos. Sin embargo, tienen dificultades con los detalles finos de estos motivos cortos. Por ejemplo, estas herramientas pueden tratar a dos secuencias muy diferentes como casi idénticas porque se ven similares a gran escala, incluso si un pequeño cambio en una de ellas rompería la capacidad de la proteína para unirse a su objetivo. El autor señala que estas herramientas existentes a menudo pasan por alto las sutiles diferencias físicas entre los aminoácidos, como intercambiar una partícula cargada por una neutra, lo que puede destruir completamente la función de una proteína. Shetti-AI fue construido específicamente para corregir este punto ciego, enfocándose en las reglas físicas y genéticas precisas que gobiernan estas regiones pequeñas y críticas.

El marco opera tomando primero un motivo validado, una secuencia corta conocida que funciona en la naturaleza, y mapeando sus propiedades en un perfil numérico detallado. Este perfil considera dieciocho características físicas diferentes de los aminoácidos, como su tamaño, carga y cómo interactúan con el agua. El sistema luego utiliza una serie de modelos matemáticos para generar nuevas variaciones. Una parte del sistema actúa como un filtro conservador, verificando si un cambio es genéticamente accesible y físicamente similar al original. Otra parte utiliza un enfoque generativo más avanzado para imaginar combinaciones de aminoácidos completamente nuevas que podrían no existir en la naturaleza todavía, pero que siguen las reglas de la física. Estos candidatos generados son luego clasificados según una puntuación que pondera su probabilidad de funcionar frente a la dificultad de crearlos genéticamente.

Al probar el sistema, los investigadores utilizaron un motivo conocido involucrado en la regulación de proteínas humanas como punto de referencia. La herramienta identificó con éxito variaciones que se sabe que funcionan en la naturaleza, como secuencias que difieren por solo una o dos letras pero mantienen la misma forma y comportamiento. Más importante aún, la parte generativa del sistema sugirió nuevas secuencias novedosas que compartían las mismas propiedades físicas que el motivo original. Al compararlo con una secuencia de control que se sabía que era diferente, la herramienta identificó correctamente que los nuevos candidatos estaban mucho más cerca del original funcional. Los resultados mostraron que, mientras algunos modelos eran mejores para encontrar cambios pequeños y seguros, otros eran capaces de explorar posibilidades más distantes, ofreciendo una gama de opciones dependiendo de lo que el investigador necesitara.

El artículo sugiere que este enfoque podría ser particularmente útil para estudiar virus emergentes, donde los científicos a menudo tienen muy poco tiempo para probar nuevas variantes. Al usar un motivo conocido de un virus relacionado como punto de partida, la herramienta podría generar rápidamente una lista de candidatos probables para probar en el laboratorio, acelerando el proceso de descubrimiento. También ofrece una forma de diseñar proteínas personalizadas para la biología sintética, permitiendo a los investigadores crear nuevas herramientas con propiedades físicas específicas sin tener que sintetizar miles de versiones fallidas. El autor observa que el sistema es flexible; los investigadores pueden ajustar la configuración para ser muy estrictos, buscando solo cambios que sean casi idénticos al original, o más exploratorios, buscando diseños nuevos y audaces.

En última instancia, Shetti-AI no reemplaza la necesidad de experimentos de laboratorio, sino que cambia el orden en que estos ocurren. En lugar de probar conjeturas aleatorias, los científicos pueden usar la herramienta para priorizar los candidatos más prometedores, ahorrando tiempo y recursos. El sistema cierra la brecha entre las reglas rígidas de la genética y las posibilidades fluidas del diseño de proteínas, ofreciendo una forma de navegar el vasto paisaje de mutaciones potenciales con confianza. Al enfocarse en la realidad física de cómo funcionan las proteínas, en lugar de solo en patrones estadísticos, la herramienta proporciona un camino más claro para entender cómo la vida se adapta y cómo podríamos diseñarla para el futuro.

Resumen Técnico: Shetti-AI

Planteamiento del Problema
Los motivos proteicos son fundamentales para dictar las interacciones moleculares, la organización estructural y la función. Mientras que los patógenos suelen alterar motivos cortos para adquirir nuevas dinámicas de hospedador sin cambiar las estructuras proteicas completas, el cribado experimental del vasto espacio de variantes de secuencia es lento, costoso y requiere una gran cantidad de recursos. Las herramientas actuales de aprendizaje automático, particularmente los modelos de lenguaje de proteínas (pLLM) como ProtT5, ProtBERT y ESM-2, dependen fuertemente de la conservación evolutiva histórica. El artículo argumenta que estas herramientas fallan en la predicción precisa a nivel de motivo porque no pueden modelar la accesibilidad de la mutación de codones a nivel de ADN, evaluar las restricciones biofísicas específicas de posición o distinguir entre variantes funcionalmente distintas (por ejemplo, al no reconocer que la sustitución de una Arginina cargada por una Leucina no polar en un motivo RGD interrumpe la unión a la integrina). En consecuencia, existe la necesidad de un marco que vaya más allá de la conservación retrospectiva para predecir prospectivamente paisajes mutacionales viables.

Metodología
Shetti-AI es un marco computacional diseñado para generar y priorizar variantes de tipo motivo partiendo de referencias biológicas curadas y validadas experimentalmente. El marco integra tres arquitecturas distintas que operan sobre una matriz de propiedades biofísicas de 18 dimensiones ( $P_{phys}$ ) y una matriz de accesibilidad de sustitución de codones ( $P_{genetic}$ ):

Mapeo Biofísico de 18 Dimensiones: Los aminoácidos se mapean en vectores numéricos continuos que combinan propiedades biofísicas cuantitativas normalizadas y atributos cualitativos codificados ordinalmente. Esto facilita el aprendizaje basado en gradientes y el muestreo generativo.
Accesibilidad de Sustitución Consciente de Codones: Una matriz de 20x20 codifica la distancia genética basada en los pasos mínimos de sustitución de codones, asignando pesos a la accesibilidad (por ejemplo, las mutaciones de 1 paso tienen un peso mayor que las de 3 pasos). Esto permite ajustes específicos de taxones sin alterar el motor de inferencia.
Arquitectura de Tres Partes:
- Arquitectura 1 (Línea Base $\lambda$ -Convexa Lineal): Un modelo ligero y no generativo que evalúa mutaciones puntuales mediante una combinación convexa de accesibilidad genética y conservación biofísica ( $P_{final} = \lambda P_{DNA} + (1-\lambda)P_{phys}$ ). Sirve como línea base para compensaciones de una sola variable.
- Arquitectura 2 (Híbrido Bayesiano en Espacio Logarítmico): Un modelo determinista que clasifica las sustituciones de un solo residuo utilizando una probabilidad posterior bayesiana empírica. Combina la accesibilidad de codones normalizada con puntuaciones de similitud biofísica en el espacio logarítmico para evitar el subdesbordamiento numérico (underflow) mientras preserva la clasificación de candidatos.
- Arquitectura 3 (Motor Generativo GAN/WGAN-GP): Un modelo generativo profundo continuo (GAN Condicional y WGAN-GP) que expande el espacio de búsqueda más allá de las variantes de un solo residuo. Genera nuevos motivos candidatos a partir de una referencia utilizando representaciones biofísicas y ruido latente. Crucialmente, estos candidatos son post-filtrados y clasificados utilizando la restricción bayesiana separada para asegurar la plausibilidad biológica y la alcanzabilidad de la mutación.

Contribuciones Clave

Predicción Prospectiva: A diferencia de las herramientas que dependen de la conservación histórica, Shetti-AI predice los futuros destinos de las variantes y los paisajes mutacionales antes de que aparezcan en la naturaleza o en el laboratorio.
Sistema de Restricción Híbrido: El marco combina de forma única un prior genético bayesiano con una verosimilitud biofísica de 18 dimensiones, utilizando la ponderación $\lambda$ controlada por el usuario y la integración de la pérdida WGAN-GP.
Diseño Modular: La separación de la restricción bayesiana de las redes neuronales permite que los supuestos biológicos sean inspeccionados, modificados o reemplazados independientemente del motor generativo.
Implementación de Código Abierto: El código fuente está disponible bajo la licencia AGPL-3.0, implementado en Python utilizando PyTorch para los componentes de aprendizaje profundo.

Resultados
Utilizando el motivo M-R-EL (una firma de autorregulación de la tubulina) como punto de referencia, el marco demostró lo siguiente:

Predicción Conservadora: Los modelos Bayesiano y de la línea base $\lambda$ predijeron con éxito variantes estrechamente relacionadas como MREI y MRDL, que son secuencias canónicas para el motivo.
Descubrimiento Generativo: Los componentes de GenAI (GAN y WGAN) exploraron y generaron nuevos motivos estrechamente relacionados con los caracteres biofísicos de la referencia MREL.
Diferenciación: Al compararlo con el control TREL (encontrado en SARS-CoV), el marco identificó correctamente que la Treonina en TREL posee caracteres biofísicos diferentes, mientras que los variantes generados permanecieron similares a la referencia MREL.
Rendimiento del Modelo: El WGAN generalmente superó al GAN estándar, aunque ambos predijeron el motivo LKDM con puntuaciones bayesianas similares.
Ajuste de Parámetros: El estudio mostró que el ajuste de parámetros (temperatura, $\beta$ y $\lambda$ ) permite al marco desplazarse entre una estricta conservación biofísica (útil para el escaneo viral) y una generación exploratoria amplia (útil para la biología sintética).

Significancia y Reivindicaciones
El artículo afirma que Shetti-AI transforma la optimización de secuencias de un "juego de adivinación exhaustivo" en un proceso dirigido y con base biofísica. Al unir restricciones estadísticas deterministas con aprendizaje profundo generativo continuo, el marco reduce el espacio de búsqueda experimental para la biología sintética, las proteínas virales emergentes y los ensayos funcionales.

El autor enfatiza que Shetti-AI no solo genera constructos teóricos, sino que produce herramientas prácticas y experimentalmente tratables al imponer la alcanzabilidad genética y las restricciones biofísicas. El marco se posiciona como una solución de alto rendimiento y bajo costo para acelerar los ensayos funcionales, particularmente para:

Biología Sintética: Diseñar motivos funcionales personalizados con propiedades físicas predecibles.
Terapéutica: Ayudar en la terapia génica (vectores AAV), la neutralización inmunitaria e ingeniería de células CAR-T.
Virología: Escanear rápidamente secuencias virales emergentes (por ejemplo, SARS-CoV-2) en busca de regiones tipo motivo cuando los datos experimentales son limitados.

El artículo concluye que, al reducir el vasto espacio de secuencias a un grupo de candidatos priorizados y con base biológica, Shetti-AI reduce el tiempo y los recursos requeridos para la validación experimental, proporcionando al mismo tiempo información sobre la adaptación evolutiva y las nuevas interacciones funcionales.

Resumen Técnico: Shetti-AI

Más como este