Un traductor no aprende un idioma con un libro de texto, sino escuchando el habla viva y viendo de inmediato qué hace la gente en respuesta a las palabras. Así funciona el nuevo método C3P para leer ADN bacteriano. Los modelos genómicos habituales intentan aprender las reglas simplemente "releyendo" miles de millones de letras del código genético, y a menudo se confunden. La razón es que las regiones reguladoras del ADN evolucionan rápido y de forma caótica, como la jerga callejera. C3P, en cambio, relaciona promotores (las regiones del ADN que ponen en marcha la lectura de un gen) con las proteínas que finalmente se producen. Los modelos de lenguaje de proteínas ya entienden bien el "idioma" de las proteínas: sus estructuras tridimensionales y funciones. Esa rica experiencia se convierte en el maestro del ADN.
Tras entrenarse con 88 millones de pares "promotor-proteína" de bacterias, el modelo pasó a predecir mucho mejor dónde y cómo se regulan los genes. Pero lo más interesante es que aprendió a encontrar genes compañeros en el genoma sin ninguna pista (esto se llama zero-shot). Los modelos habituales en esta tarea funcionan casi al azar, mientras que C3P produce grupos con sentido de inmediato. Así, un traductor que entiende la relación entre palabras y acciones, sin diccionario, comprende que "lluvia" y "paraguas" suelen ir juntos en una conversación.
Los autores comprobaron cómo mejora la calidad al aumentar los datos y la potencia de cálculo. Resultó que C3P alcanza una alta precisión con un coste mucho menor que los principales modelos genómicos. El método se puede aplicar ampliamente, sin esperar a tener supercomputadoras. La perspectiva es descifrar la regulación de genes en millones de especies de bacterias, simplemente teniendo sus genomas. Sin un solo experimento de laboratorio.
tal como lo escribieron los autores, en inglés arXiv:2605.25242
Despite the increasing scale of genome language models (gLMs), their ability to decode the function of regulatory sequences remains unclear. gLM pretraining relies on sequence reconstruction, which may struggle due to the noisy, rapidly evolving nature of regulatory DNA. Self-supervised contrastive approaches provide a promising alternative. Inspired by language-image architectures like CLIP, we introduce contrastive promoter-protein pretraining (C3P). By learning to align promoters to their corresponding proteins, we leverage the rich representations of proteins learned by protein language models as supervisory signal for the learning of promoter representations. After training on 88 million bacterial promoter-protein pairs, we evaluate the predictive power of C3P-learned promoter representations for inference of curated regulatory annotations, finding multi-fold improvement over leading gLMs. We also introduce zero-shot co-regulated gene retrieval, the ability to find co-regulated genes in a genome using no experimental data. We find that compared to a randomly initialized baseline, C3P training consistently provides significant zero-shot performance gains, unlike gLMs. Scaling analysis reveals the potential for further improvement as well as the efficiency of C3P, which achieved strong performance at a fraction of the training cost of leading gLMs. In addition to demonstrating that C3P training is effective for learning representations of bacterial regulatory sequences, our strong zero-shot co-regulated gene retrieval performance suggests the possibility of decoding gene regulation for millions of bacteria from their genomes alone.
Un promotor bacteriano puede constar de solo unas pocas decenas de "letras" de ADN, pero de él depende que la inofensiva Escherichia coli se convierta en un patógeno peligroso.
En "Parque Jurásico", los científicos rellenaban los huecos del ADN de los dinosaurios con genes de rana; C3P podría predecir cómo afectaría ese "ensamblaje" a la activación de los genes.