Los investigadores desarrollaron un marco no supervisado denominado MotifAE, basado en una arquitectura de autocodificador disperso, para hacer interpretables los patrones de secuencia presentes en la estructura de “caja negra” de los modelos de lenguaje de proteínas. La pérdida de suavidad añadida mejoró de forma notable la identificación de motivos funcionales conocidos en comparación con el método estándar.
MotifAE detectó, además de motivos cortos, algunos dominios estructurales; las actividades de las características se correlacionaron con la importancia de los residuos en las funciones de los dominios. La correspondencia establecida con datos experimentales permitió predecir características relacionadas con la estabilidad del plegamiento de los dominios y paisajes de aptitud específicos de la estabilidad.
Por qué es importante
Este estudio ofrece la posibilidad de examinar los patrones generados por los modelos de lenguaje de proteínas no solo como resultados de predicción, sino también relacionándolos con elementos funcionales y estructurales dentro de la proteína. Esto permite investigar la conexión entre las características del modelo y la importancia de determinados residuos, así como evaluar de forma más directa el significado biológico de las salidas del modelo. El hecho de que el método pueda distinguir dominios estructurales además de motivos cortos demuestra que la interpretabilidad no se limita a fragmentos individuales de la secuencia. La correspondencia establecida con datos experimentales indica, por su parte, que las características relacionadas especialmente con la estabilidad del plegamiento y los paisajes de aptitud asociados pueden examinarse a través del modelo. Sin embargo, determinar en qué contextos proteicos diferentes el marco presentado por el estudio proporcionará el mismo nivel de capacidad explicativa sigue siendo una cuestión de investigación abierta.