📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

Un anticuerpo es una proteína que atrapa virus y bacterias. Cuando un enemigo entra en el organismo, las células inmunitarias empiezan a probar distintas variantes de anticuerpos, como si ensayaran diferentes llaves para una cerradura. Los cambios útiles se conservan y los perjudiciales se descartan. Así, en unas semanas se obtiene un anticuerpo que encaja perfectamente con su objetivo.

Los modelos informáticos habituales no ven esta historia. Observan los anticuerpos ya formados y los tratan como si fueran independientes entre sí, como cartas de una baraja. Pero cada anticuerpo es descendiente del anterior, y en su estructura queda escrita la ruta de ensayo y error. El nuevo modelo CoSiNE lee ese linaje. Representa la evolución de los anticuerpos como una cadena de pequeños pasos, donde cada paso es el cambio de una letra en el código genético.

El modelo no se limita a repetir el pasado: sabe acelerarlo. Un mecanismo integrado, el «guía», dirige la búsqueda hacia anticuerpos que se unen con más fuerza a la diana deseada. Es como si un fitomejorador no esperara mutaciones al azar, sino que plantara directamente semillas con las características deseadas. Por eso CoSiNE supera incluso a los modelos de lenguaje más modernos, que predicen propiedades de las proteínas pero no entienden de dónde provienen esas propiedades.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2602.18982

Common deep learning approaches for antibody engineering focus on modeling the marginal distribution of sequences. By treating sequences as independent samples, however, these methods overlook affinity maturation as a rich and largely untapped source of information about the evolutionary process by which antibodies explore the underlying fitness landscape. In contrast, classical phylogenetic models explicitly represent evolutionary dynamics but lack the expressivity to capture complex epistatic interactions. We bridge this gap with CoSiNE, a continuous-time Markov chain parameterized by a deep neural network. Mathematically, we prove that CoSiNE provides a first-order approximation to the intractable sequential point mutation process, capturing epistatic effects with an error bound that is quadratic in branch length. Empirically, CoSiNE outperforms state-of-the-art language models in zero-shot variant effect prediction by explicitly disentangling selection from context-dependent somatic hypermutation. Finally, we introduce Guided Gillespie, a classifier-guided sampling scheme that steers CoSiNE at inference time, enabling efficient optimization of antibody binding affinity toward specific antigens.