Nuevo modelo de proteína impulsa los esfuerzos en el descubrimiento de fármacos

En los últimos años, los científicos han estado usando modelos de lenguaje de proteínas para mejorar el descubrimiento de medicamentos. Estos modelos ayudan a predecir detalles importantes sobre las proteínas, que son componentes clave en muchos procesos biológicos. Entender mejor las proteínas puede llevar a la identificación de nuevos medicamentos y tratamientos.

#¿Qué son las incrustaciones de proteínas?

Las incrustaciones de proteínas son una forma de representar proteínas en un formato que las computadoras pueden entender. Lo hacen tomando información tanto de la secuencia de aminoácidos (los bloques de construcción de las proteínas) como de la estructura 3D de las proteínas. Al combinar estos dos tipos de información, los investigadores pueden hacer predicciones más precisas sobre cómo funcionan las proteínas.

#La importancia de los Modelos multimodales

Los métodos actuales que combinan datos de secuencia y estructura requieren que ambos tipos de información estén disponibles durante el proceso de predicción. Esto es una limitación porque a veces es complicado tener acceso tanto a la secuencia como a la estructura. Para solucionar esto, los investigadores están tratando de desarrollar modelos que solo necesiten la información de la secuencia durante la etapa de predicción, haciendo el proceso más eficiente y práctico.

#Presentando modelos infusionados de estructura

Para abordar el desafío anterior, se ha creado un nuevo tipo de modelo de lenguaje de proteínas. Este modelo aprende a incorporar información estructural 3D mientras solo necesita la secuencia de la proteína al hacer predicciones. Este enfoque permite un mejor rendimiento en tareas relacionadas con la comprensión de la estructura de la proteína.

#Cómo funciona el modelo

El nuevo modelo, conocido como Modelo de Lenguaje de Proteínas Infusionado por Estructura (SI-PLM), consta de dos partes principales: el módulo de secuencia y el módulo de estructura. El módulo de secuencia es un modelo estándar que procesa la secuencia de aminoácidos. El módulo de estructura utiliza una red neuronal gráfica para analizar la estructura 3D de la proteína.

En el módulo de estructura, el modelo observa las posiciones de átomos específicos en la proteína y usa esta información para crear un mapa de cómo los átomos están relacionados entre sí. El modelo procesa estos datos para ayudar al módulo de secuencia a aprender sobre la forma de la proteína durante el entrenamiento.

#Entrenando el modelo

Durante la fase de entrenamiento, algunas partes de la secuencia de aminoácidos están ocultas o se cambian. Esto se hace para enseñar al modelo a predecir información faltante. El módulo de estructura también procesa características alteradas de la estructura de la proteína para ayudarle a aprender. Este entrenamiento dual ayuda a mejorar la calidad de la información almacenada en el modelo.

#Preparándose para la evaluación

Para evaluar la efectividad del SI-PLM, los investigadores utilizaron un gran conjunto de datos de estructuras de proteínas. Estas estructuras se obtuvieron de diferentes fuentes, incluyendo cristalografía de rayos X y predicciones hechas por software avanzado. El conjunto de datos incluía más de 500,000 estructuras de proteínas, proporcionando una base sólida para evaluar el rendimiento del modelo.

#Tareas de referencia para pruebas

Los investigadores crearon tres tareas de prueba específicas para medir qué tan bien funciona el modelo:

1. Predicción de estructura secundaria: Clasificar regiones de proteínas en tres categorías según sus formas.
2. Clasificación de residuos de unión: Determinar si residuos específicos en una proteína se unen a ciertas moléculas.
3. Clasificación de localización de proteínas: Identificar dónde está localizada una proteína dentro de una célula.

#Comparando modelos

Para ver qué tan bien se desempeña el SI-PLM, los investigadores entrenaron un modelo tradicional solo con secuencia en el mismo conjunto de datos. Ambos modelos fueron evaluados en las tres tareas de referencia y se compararon sus resultados.

#Resultados del rendimiento

Los resultados mostraron que el SI-PLM superó al modelo tradicional en la mayoría de las tareas. Específicamente, la mayor mejora se vio en la predicción de estructura secundaria, donde la capacidad del modelo para entender la forma de las proteínas jugó un papel crucial.

El SI-PLM también funcionó mejor que un modelo de codificación one-hot simple, que es una forma menos sofisticada de representar la secuencia de proteínas. Esto indica que usar tanto la información de secuencia como la de estructura lleva a predicciones más precisas.

#Desbalance de clases en la predicción de residuos de unión

En la tarea de predecir residuos de unión, los investigadores enfrentaron un desafío debido al desbalance de clases. Muchos residuos no se unen a nada, haciendo importante centrarse en métricas más informativas como el F1-score, que proporciona un equilibrio entre precisión y recuperación.

#Conclusión

La introducción del Modelo de Lenguaje de Proteínas Infusionado por Estructura representa un avance prometedor en el campo de la biología de proteínas. Al fusionar efectivamente la información estructural con las secuencias de aminoácidos, este modelo mejora el rendimiento de las tareas predictivas relevantes para el descubrimiento de medicamentos. Con investigación y desarrollo continuos, tales modelos tienen el potencial de ayudar mucho en la identificación de nuevos medicamentos y estrategias terapéuticas.

A medida que se mejora la comprensión de las funciones de las proteínas a través de técnicas de modelado avanzadas, la industria farmacéutica puede beneficiarse de predicciones más confiables, llevando a mejores resultados en el desarrollo de medicamentos y a una comprensión más profunda de los mecanismos biológicos.

En general, el SI-PLM muestra la importancia de enfoques innovadores en la biología computacional y su papel en futuros descubrimientos científicos.