Aprendizaje por transferencia con modelos de lenguaje preentrenados para la predicción del nivel de expresión de...

Área de la Ciencia:

• Biología Molecular
• Biología Computacional
• Bioinformática

Sus antecedentes:

• La predicción de la expresión de proteínas recombinantes en Escherichia coli es compleja debido a la regulación génica y los factores de traducción.
• Los métodos computacionales actuales a menudo se centran en el uso de codones o en la secuencia de proteínas, lo que limita la precisión y el alcance de la predicción.

Objetivo del estudio:

• Desarrollar un marco computacional avanzado para la predicción precisa de los niveles de expresión de proteínas recombinantes.
• Integrar información de secuencias de codones y proteínas utilizando aprendizaje por transferencia para mejorar el poder predictivo.

Principales métodos:

• Se introdujo TLCP-EPE, un marco de aprendizaje por transferencia que fusiona modelos de lenguaje preentrenados a nivel de codón (CaLM) y a nivel de proteína (ProtT5).
• Se utilizó la adaptación de bajo rango (LoRA) para el ajuste fino de modelos y un predictor BiGRU-MLP para integrar incrustaciones.
• Se evaluó el rendimiento en dos conjuntos de datos de prueba independientes.

Principales resultados:

• TLCP-EPE demostró un rendimiento superior en comparación con los métodos de vanguardia.
• Se logró una precisión predictiva robusta con un AUC de 0.835 en datos de codones y un AUC de 0.713 en datos de proteínas.
• Superó las métricas convencionales basadas en codones y las bases de aprendizaje profundo existentes.

Conclusiones:

• La modelización bimodal de secuencias de codones y proteínas mejora significativamente la precisión y la generalización de la predicción de los niveles de expresión.
• El marco TLCP-EPE ofrece una herramienta poderosa para el diseño racional de proteínas y la biofabricación.
• Este enfoque avanza el campo de la ingeniería de proteínas computacional.