Tree-aware conditional language modeling recovers mutational patterns of viral evolution

Os vírus são mestres da mudança. Eles sobrevivem reescrevendo constantemente suas próprias instruções genéticas, trocando partes de suas proteínas para evitar os sistemas imunológicos dos hospedeiros que infectam. Esse processo não é um caos aleatório; ele segue um caminho. Uma mutação que ajuda um vírus hoje pode ser inútil ou até prejudicial amanhã, dependendo das outras mudanças que já ocorreram naquela linhagem específica. Cientistas há muito tentam prever essas mudanças usando modelos computacionais que leem a linguagem das proteínas, tratando-as como sentenças onde certas palavras se encaixam melhor do que outras. No entanto, a maioria desses modelos observa o resultado final sem prestar atenção à jornada. Eles veem o destino, mas ignoram o mapa de como o vírus chegou lá, perdendo o fato de que a história de um vírus molda quais mudanças ele pode realizar com segurança em seguida.

Uma equipe de pesquisadores desenvolveu uma nova maneira de olhar para este problema, que força o computador a prestar atenção na árvore genealógica. Eles criaram um sistema chamado evoPLM-Tree, que atua como um modelo de linguagem que entende a evolução. Em vez de apenas adivinhar como uma sequência de proteína poderia parecer, este modelo utiliza uma sequência de vírus ancestral e uma árvore familiar específica como seu ponto de partida. Ele então aprende a prever o próximo passo na linhagem, usando a história de como o vírus mudou ao longo do tempo como um guia. Os pesquisadores testaram essa abordagem usando a proteína spike do SARS-CoV-2, a parte que permite ao vírus entrar em células humanas. Eles combinaram sequências de versões iniciais da variante Ômicron com seus ancestrais, baseando-se em suas posições em uma árvore filogenética — um diagrama que mapeia as relações evolutivas entre diferentes cepas de vírus.

Quando a equipe pediu ao modelo para gerar sequências descendentes, ele apresentou um nível de precisão que os modelos padrão não conseguiram igualar. Ao fornecer o contexto evolutivo ao modelo, os pesquisadores descobriram que o computador dependia muito mais da informação de entrada real do que apenas adivinhar com base em padrões gerais. As sequências que o modelo criou não eram apenas variações aleatórias; elas reproduziam com precisão os pontos específicos na proteína onde as mutações realmente acontecem no mundo real. As previsões do modelo sobre a frequência com que as mutações apareceriam em diferentes posições coincidiram com os dados observados com uma forte correlação, mostrando uma ligação clara entre o que o computador previu e o que a natureza realmente fez. Isso foi verdade tanto para a proteína spike completa quanto para o domínio de ligação ao receptor específico, a parte do vírus que se prende às células humanas.

O estudo também observou o quão bem essas previsões se sustentavam quando o vírus se afastava mais de seu ponto de partida no tempo. Embora o modelo tenha se tornado menos preciso ao prever as mudanças exatas de uma única letra à medida que a distância evolutiva crescia, ele permaneceu notavelmente bom em capturar os padrões gerais de mudança em toda a proteína. Para verificar se esses padrões significavam algo real, os pesquisadores compararam as previsões do modelo com experimentos de laboratório que testavam quais mutações o vírus poderia tolerar sem "quebrar". As mutações que o modelo atribuiu uma alta probabilidade foram as mesmas que cientistas já haviam confirmado que poderiam sobreviver em um ambiente de laboratório. O modelo identificou com sucesso as mutações que permitiam ao vírus manter sua capacidade de se ligar às células humanas, mesmo sem nunca ter sido exposto a dados experimentais durante seu treinamento.

Este trabalho demonstra que dar a um modelo computacional uma visão clara da história familiar de um vírus permite que ele aprenda as regras específicas da evolução daquela linhagem. Ao incluir explicitamente o caminho da ancestralidade, o modelo consegue recuperar os padrões mutacionais únicos que definem como um vírus muda ao longo do tempo. Os resultados sugerem que esta abordagem fornece uma estrutura confiável para entender a evolução das proteínas e pode ajudar cientistas a priorizar quais mutações futuras têm maior probabilidade de aparecer, com base nos dados genômicos que já possuímos. Oferece uma maneira de ver não apenas o que um vírus pode vir a ser, mas como ele provavelmente chegará lá, fundamentado na história real de seus ancestrais.