Un equipo internacional de investigadores, entre ellos científicos del Instituto de Ciencias de la Tierra y la Vida (ELSI) del Instituto de Ciencia de Tokio, ha desarrollado un modelo de lenguaje de proteínas que integra dos fuentes fundamentales de información: las secuencias de aminoácidos y las estructuras tridimensionales. Este avance, publicado en una prestigiosa revista científica, promete transformar nuestra comprensión de la evolución de las proteínas a lo largo de miles de millones de años.
La importancia de las proteínas en la biología
Las proteínas son moléculas esenciales para la vida, desempeñando funciones que van desde la catálisis de reacciones metabólicas hasta la defensa del organismo. Su función está determinada por su estructura tridimensional, la cual a su vez depende de la secuencia lineal de aminoácidos. Comprender esta relación ha sido uno de los mayores desafíos de la biología molecular.
Tradicionalmente, los científicos han estudiado las proteínas desde dos perspectivas separadas: la secuencia, que es fácil de obtener mediante secuenciación de ADN, y la estructura, que requiere técnicas experimentales complejas como la cristalografía de rayos X o la criomicroscopía electrónica. La integración de ambas en un solo modelo computacional representa un salto cualitativo.
Un modelo de lenguaje para proteínas
El nuevo modelo, denominado PLM (Protein Language Model, por sus siglas en inglés), utiliza técnicas de inteligencia artificial para aprender de millones de secuencias y estructuras conocidas. A diferencia de modelos anteriores que se enfocaban en una sola modalidad, este enfoque conjunto permite capturar relaciones más sutiles entre la secuencia y la forma.
“Al unir secuencia y estructura, podemos predecir mejor cómo mutaciones en la secuencia afectan la función de la proteína”, explica uno de los autores del estudio. “Esto es crucial para entender enfermedades genéticas y para diseñar nuevas proteínas con aplicaciones terapéuticas”.
Metodología y entrenamiento
El modelo fue entrenado con una base de datos que abarca miles de millones de años de evolución, incluyendo proteínas de organismos actuales y reconstrucciones ancestrales. Los investigadores utilizaron arquitecturas de redes neuronales profundas, similares a las empleadas en el procesamiento de lenguaje natural, pero adaptadas al alfabeto de 20 aminoácidos.
El entrenamiento requirió el uso de supercomputadoras capaces de procesar grandes volúmenes de datos. Según los autores, el modelo aprendió representaciones latentes que capturan tanto la conservación evolutiva como las restricciones estructurales.
Aplicaciones revolucionarias
Las aplicaciones de este modelo son vastas y prometen impactar múltiples campos:
- Medicina: Predicción de efectos de mutaciones asociadas a enfermedades como el cáncer o trastornos neurodegenerativos.
- Biotecnología: Diseño de enzimas industriales más eficientes y estables.
- Evolución: Reconstrucción de proteínas ancestrales para entender cómo surgieron funciones complejas.
- Farmacología: Identificación de nuevos blancos terapéuticos y desarrollo de fármacos más específicos.
Además, el modelo puede ayudar a predecir estructuras de proteínas que aún no han sido resueltas experimentalmente, acelerando la investigación en biología estructural.
Colaboración internacional y acceso abierto
El proyecto es fruto de una colaboración entre instituciones de Japón, Estados Unidos y Europa. Los datos y el código del modelo estarán disponibles de forma abierta para la comunidad científica, lo que fomentará nuevas investigaciones y aplicaciones.
“La ciencia avanza más rápido cuando compartimos conocimientos y herramientas”, comenta la investigadora principal. “Esperamos que este modelo sea utilizado por otros grupos para responder preguntas fundamentales sobre la vida”.
Desafíos y perspectivas futuras
A pesar de los logros, los investigadores señalan varios desafíos. Uno de ellos es la interpretabilidad del modelo: entender exactamente qué características ha aprendido. Otro es la escalabilidad a proteínas más grandes y complejas.
Futuras versiones podrían incorporar información sobre dinámica conformacional y interacciones con otras moléculas, acercándonos a una simulación completa de sistemas biológicos.
Sin duda, este trabajo marca un hito en la intersección de la inteligencia artificial y la biología evolutiva, abriendo nuevas avenidas para explorar el universo de las proteínas.
