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.
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.