LMProtein: un marco de trabajo de modelo de lenguaje de proteínas para la predicción de propiedades estructurales de...

Área de la Ciencia:

• Biología computacional
• Aprendizaje automático en biología estructural

Sus antecedentes:

• El aprendizaje automático y los modelos de lenguaje profundo avanzan en la predicción de la estructura de proteínas.
• Los métodos actuales a menudo se basan en alineaciones de secuencias múltiples (MSA), que son computacionalmente intensivas y fallan para proteínas sin homólogos.

Objetivo del estudio:

• Desarrollar un marco de trabajo rápido y preciso (LMProtein) para predecir propiedades estructurales de proteínas utilizando solo la secuencia primaria.
• Superar las limitaciones de los métodos dependientes de MSA.

Principales métodos:

• LMProtein combina el modelo de lenguaje preentrenado no supervisado ESM-2 con redes neuronales convolucionales (CNN), redes de memoria a largo corto plazo (LSTM) y perceptrones multicapa (MLP).
• El marco de trabajo predice la estructura secundaria, los ángulos diédricos, la fluorescencia y los paisajes de estabilidad.

Principales resultados:

• LMProtein supera a los modelos recientes basados en MSA y de secuencia única.
• Se logró una precisión de ~74% para la predicción de la estructura secundaria de ocho estados (SS8).
• Se obtuvieron errores absolutos medios de 19° (Phi) y 29° (Psi) para los ángulos diédricos.
• Coeficientes de correlación de Spearman de 0,69 para la fluorescencia y 0,79 para la estabilidad.

Conclusiones:

• LMProtein ofrece una alternativa computacionalmente eficiente y precisa para predecir propiedades estructurales de proteínas.
• El marco de trabajo tiene un potencial significativo para acelerar la ingeniería de proteínas y la identificación de dianas farmacológicas, especialmente para proteínas que carecen de secuencias homólogas.