Os pesquisadores desenvolveram uma estrutura não supervisionada chamada MotifAE, baseada em uma arquitetura de autoencoder esparso, para tornar interpretáveis os padrões de sequência presentes na estrutura de “caixa-preta” dos modelos de linguagem de proteínas. A perda de suavidade adicionada melhorou significativamente a identificação de motivos funcionais conhecidos em comparação com o método padrão.
Além de motivos curtos, o MotifAE também detectou alguns domínios estruturais; as ativações das características foram associadas à importância dos resíduos nas funções dos domínios. O alinhamento com dados experimentais permitiu prever características relacionadas à estabilidade de dobramento dos domínios e paisagens de aptidão específicas da estabilidade.
Por que isso é importante
Este estudo oferece a possibilidade de analisar os padrões gerados pelos modelos de linguagem de proteínas não apenas como resultados de predição, mas também relacionando-os a elementos funcionais e estruturais dentro da proteína. Isso permite investigar a conexão entre as características do modelo e a importância de resíduos específicos, além de avaliar de forma mais direta o significado biológico das saídas do modelo. O fato de o método conseguir distinguir domínios estruturais, além de motivos curtos, mostra que a interpretabilidade não se limita a segmentos individuais da sequência. O alinhamento estabelecido com dados experimentais indica, por sua vez, que características relacionadas especialmente à estabilidade de dobramento e as paisagens de aptidão associadas a ela podem ser examinadas por meio do modelo. No entanto, em quais diferentes contextos proteicos a estrutura apresentada pelo estudo proporcionará o mesmo nível de poder explicativo continua sendo uma questão de pesquisa em aberto.