Embeddings de proteínas y alineamientos locales

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Análisis de Secuencias de Proteínas

Sus antecedentes:

• Los embeddings de proteínas proporcionan representaciones contextuales cruciales para la bioinformática, complementando los alineamientos de secuencias tradicionales.
• Si bien existen mejoras basadas en embeddings para alineamientos globales, la optimización de alineamientos locales sigue estando poco explorada.
• El alineamiento local preciso es vital para comprender la función y la evolución de las proteínas.

Objetivo del estudio:

• Identificar el algoritmo de alineamiento local más preciso para secuencias de proteínas.
• Introducir y validar una nueva función de puntuación para el alineamiento local de proteínas utilizando embeddings de Ankh.

Principales métodos:

• Desarrolló un nuevo algoritmo que incorpora embeddings de Ankh en el marco E-score.
• Creó un marco de evaluación integral con un nuevo algoritmo para la extracción, localización y evaluación de la calidad del alineamiento local.
• Utilizó cinco métricas de distancia y múltiples conjuntos de datos (CDD, BAliBASE, GPCRdb) para pruebas rigurosas, realizando más de 2.5 millones de comparaciones.

Principales resultados:

• El algoritmo basado en Ankh-score demuestra una precisión superior en el alineamiento local de proteínas en comparación con los métodos existentes, incluidas las matrices BLOSUM, GPCRtm, PEbA, DEDAL, vcMSA y pLM-BLAST.
• El análisis reveló un rendimiento diferencial de los modelos de lenguaje de proteínas en secuencias naturales versus artificiales.
• Los embeddings de Ankh mostraron un beneficio limitado cuando se combinaron con otros tipos de embeddings.

Conclusiones:

• El programa basado en Ankh-score representa un avance significativo, superando a todos los métodos de alineamiento local actuales.
• Los hallazgos ofrecen nuevas perspectivas sobre los embeddings de proteínas, guiando la investigación y el desarrollo futuros.
• El método y el protocolo están disponibles públicamente a través de un servidor web y código fuente para una mayor accesibilidad.