Inferir la variación del sitio específico del contexto con modelos de lenguaje de proteínas evotuneados

Área de la Ciencia:

• Biología computacional Biología computacional.
• La bioinformática es la bioinformática.
• La inteligencia artificial en la ciencia de las proteínas.

Sus antecedentes:

• Las alineaciones de secuencias múltiples (MSA) tradicionalmente analizan la diversidad específica del sitio de la proteína.
• Los modelos de lenguaje de proteínas (pLM) son prometedores para capturar las propiedades de las proteínas a partir de secuencias individuales.
• pLMs eluden la necesidad de secuencias alineadas, ofreciendo una clara ventaja sobre MSAs.

Objetivo del estudio:

• Introducir una nueva métrica de entropía dependiente del contexto que utilice las incorporaciones de pLM.
• Para evaluar la conservación y la variabilidad del sitio de la proteína utilizando la nueva métrica basada en pLM.
• Evaluar el impacto de los pLMs de ajuste fino en las familias de proteínas relacionadas evolutivamente.

Principales métodos:

• Desarrolló una métrica de entropía dependiente del contexto que aprovecha las incorporaciones de pLM.
• Empleó dos pLMs prominentes (ESM-2, protT5) para el cálculo métrico.
• PLMs afinados ("evotuning") sobre la diversidad de proteínas de la hemaglutinina de los subtipos del virus de la influenza A.

Principales resultados:

• La métrica de entropía pLM identifica con éxito los sitios propensos a cambiar dentro de contextos de secuencia específicos.
• Evotuning pLMs mejoró su capacidad para capturar la diversidad de familias de proteínas relacionadas.
• Demostró la eficacia de las incorporaciones de pLM como alternativa a las MSA para el análisis de la diversidad.

Conclusiones:

• La métrica de entropía basada en pLM es una herramienta viable para evaluar la variabilidad del sitio de la proteína.
• El ajuste fino de los pLM mejora su rendimiento en la comprensión de la dinámica evolutiva específica de la familia de proteínas.
• Este enfoque ofrece una alternativa poderosa y centrada en la secuencia para los estudios de diversidad de proteínas.