Predicción a escala evolutiva de la estructura de las proteínas a nivel atómico con un modelo de lenguaje

Área de la Ciencia:

• Biología computacional
• Inteligencia artificial
• Biología estructural

Sus antecedentes:

• Los avances en el aprendizaje automático utilizan información evolutiva en múltiples alineaciones de secuencias para la predicción de la estructura de las proteínas.
• Los métodos actuales a menudo requieren extensos recursos computacionales y tiempo.

Objetivo del estudio:

• Demostrar la inferencia directa de la estructura completa de proteínas a nivel atómico a partir de la secuencia primaria utilizando un modelo de lenguaje grande.
• Para lograr una aceleración de orden de magnitud en la predicción de estructuras de alta resolución.
• Para permitir la caracterización estructural a gran escala de las proteínas metagenómicas.

Principales métodos:

• Utilizó un gran modelo de lenguaje escalado hasta 15 mil millones de parámetros.
• Entrenó el modelo en secuencias de proteínas para aprender información estructural de resolución atómica dentro de sus representaciones.
• Aplicó el modelo para predecir estructuras para un gran conjunto de datos de secuencias de proteínas metagenómicas.

Principales resultados:

• Una imagen de resolución atómica de la estructura de la proteína surgió en las representaciones aprendidas del modelo de lenguaje a escala.
• Logró una aceleración de orden de magnitud en la predicción de la estructura de proteínas de alta resolución.
• Construyó con éxito el Atlas Metagenómico ESM, prediciendo estructuras para más de 617 millones de secuencias de proteínas metagenómicas.
• Identificó más de 225 millones de secuencias de proteínas con predicciones de estructura de alta confianza.

Conclusiones:

• Los grandes modelos de lenguaje ofrecen un enfoque poderoso y eficiente para la predicción directa de la estructura de proteínas a partir de secuencias primarias.
• Este método acelera significativamente el proceso, permitiendo una caracterización estructural a gran escala sin precedentes de los datos biológicos.
• El Atlas Metagenómico del ESM proporciona un recurso valioso para explorar la diversidad de las proteínas naturales.