Proteínas sin tartamudeo exprés
Un modelo de lenguaje de proteínas es como un chef que ha aprendido de miles de recetas y ahora inventa platos nuevos. A veces se entusiasma y le echa sal a todos los platos porque en un buen libro de cocina había mucha. En las proteínas, esa repetición no es solo fea: los segmentos idénticos de la cadena vuelven a la proteína frágil, no puede plegarse en la forma correcta y no funciona.
Los científicos detectaron este problema en dos modelos populares: ESM-3 y ProtGPT2. Ideamos una manera de indicar al modelo cómo evitar las repeticiones sin estropear la proteína. Para ello, reunieron pares de ejemplos: una proteína con repeticiones y otra sin ellas, pero ambas se pliegan igual de bien. La única diferencia es la repetitividad, y el modelo aprende a ver precisamente eso.
El método se llama UCCS — control contrastivo dirigido. No reentrena el modelo, sino que añade un «vector» especial: una dirección que aleja la generación de las repeticiones. En las pruebas con las bases de proteínas CATH, UniRef50 y SCOP, el nuevo enfoque redujo las repeticiones mucho mejor que las penalizaciones durante la generación, y además conservó la alta confianza de AlphaFold en la estructura correcta.
Ahora los científicos tienen una herramienta que hace más fiable la generación de proteínas. Es un paso hacia el diseño de nuevas proteínas para fármacos y materiales sin miedo a obtener una papilla inútil de repeticiones.
Las proteínas con largas repeticiones del mismo elemento suelen estar asociadas a enfermedades; por ejemplo, los segmentos repetidos en algunas proteínas causan trastornos neurodegenerativos.
En el relato de Kurt Vonnegut «Hielo-9», una forma inusual de hielo hace que toda el agua se cristalice; de manera similar, una proteína repetitiva podría desencadenar una reacción en cadena de plegamiento incorrecto.