Una proteína fluorescente creada por un modelo de lenguaje de proteínas se parece solo en un 58 % a las naturales

La secuencia de una proteína puede verse como una especie de frase que dejaron miles de millones de años de evolución. Investigadores de EvolutionaryScale y del Arc Institute (Estados Unidos) comunicaron en Science ESM3, un modelo de lenguaje generativo entrenado con estas frases, y afirmaron haber creado en la práctica proteínas funcionales que no existen en la naturaleza.

Secuencia, estructura y función en un solo modelo

ESM3 es un modelo generativo multimodal (multimodal) que trabaja dentro del mismo modelo no solo con la secuencia de aminoácidos, sino también con la estructura tridimensional y con anotaciones de función. Cuando el usuario combina varias condiciones, como «mantén esta estructura y ten esta función», genera la secuencia correspondiente, y con un entrenamiento adicional de alineamiento (alignment) puede mejorarse el cumplimiento de las instrucciones.

Los investigadores pidieron al modelo que creara una proteína fluorescente y sintetizaron y probaron los candidatos generados. Obtuvieron así una proteína fluorescente brillante cuya identidad de secuencia con las proteínas fluorescentes conocidas es de apenas el 58 %, es decir, muy lejana desde el punto de vista filogenético. Los autores estimaron que, por evolución natural, una distancia de este tamaño tardaría unos 500 millones de años.

Limitaciones

Los «500 millones de años» son una estimación calculada a partir de las distancias entre secuencias naturales, y los casos de éxito son una parte de los candidatos sintetizados y probados. Como el resultado se obtuvo en una función relativamente fácil de medir, la fluorescencia, para generalizarlo a la actividad enzimática o a proteínas terapéuticas se necesita más validación.