Simulando 500 millones de años de evolución con un modelo de lenguaje

Área de la Ciencia:

• Biotecnología
• Biología computacional
• Ingeniería de proteínas

Sus antecedentes:

• Los sistemas biológicos y las funciones de las proteínas están codificadas a través de miles de millones de años de evolución.
• Las proteínas naturales representan un espacio de secuencia biológica vasto, pero incompletamente entendido.

Objetivo del estudio:

• Para demostrar que los modelos de lenguaje a gran escala entrenados en datos evolutivos pueden generar nuevas proteínas funcionales.
• Introducir el ESM3, un modelo de lenguaje generativo multimodal para la secuencia, estructura y función de las proteínas.
• Explorar las capacidades de ESM3 para generar proteínas con las características deseadas, como la fluorescencia.

Principales métodos:

• Formación de un modelo de lenguaje generativo multimodal (ESM3) sobre datos de proteínas evolutivas a gran escala.
• Utilizando indicaciones complejas que combinan secuencia, estructura y modalidades de función para la generación de proteínas.
• Síntesis y caracterización de proteínas generadas, incluidas las proteínas fluorescentes.
• Evaluación de la identidad de secuencia de proteínas conocidas para cuantificar la distancia evolutiva.

Principales resultados:

• ESM3 generó con éxito proteínas funcionales distantes de las familias de proteínas conocidas.
• Se generó una nueva proteína fluorescente brillante con una identidad de secuencia del 58% con las proteínas fluorescentes conocidas.
• Se estima que la distancia evolutiva de la proteína generada es equivalente a 500 millones de años.

Conclusiones:

• Los grandes modelos de lenguaje son herramientas poderosas para explorar y expandir el espacio de secuencia de proteínas.
• El ESM3 puede generar proteínas funcionales que representan una novedad evolutiva significativa.
• Este enfoque tiene el potencial de acelerar la ingeniería de proteínas y el descubrimiento de nuevas funciones biológicas.