I ricercatori hanno sviluppato un framework non supervisionato chiamato MotifAE, basato su un’architettura di autoencoder sparso, per rendere interpretabili i pattern di sequenza nella struttura a “scatola nera” dei modelli linguistici delle proteine. La perdita di regolarità aggiunta ha migliorato in modo significativo, rispetto al metodo standard, l’identificazione di motivi funzionali noti.
MotifAE ha rilevato, oltre ai motivi brevi, anche alcuni domini strutturali; le attività delle caratteristiche sono state correlate all’importanza dei residui nelle funzioni dei domini. L’associazione con i dati sperimentali ha permesso di prevedere caratteristiche legate alla stabilità del ripiegamento dei domini e paesaggi di fitness specifici per la stabilità.
Perché è importante
Questo studio offre la possibilità di esaminare i pattern generati dai modelli linguistici delle proteine non solo come risultati predittivi, ma anche mettendoli in relazione con gli elementi funzionali e strutturali presenti nella proteina. Ciò consente di studiare il legame tra le caratteristiche del modello e l’importanza di specifici residui, nonché di valutare in modo più diretto il significato biologico degli output del modello. Il fatto che il metodo sia in grado di distinguere anche i domini strutturali, oltre ai motivi brevi, mostra che l’interpretazione non rimane limitata a singoli segmenti di sequenza. L’associazione con i dati sperimentali indica inoltre che, in particolare, le caratteristiche legate alla stabilità del ripiegamento e i relativi paesaggi di fitness possono essere analizzati attraverso il modello. Tuttavia, resta una questione di ricerca aperta in quali diversi contesti proteici il framework presentato dallo studio possa garantire lo stesso livello di capacità esplicativa.