Investigadores utilizan algoritmos de procesamiento de lenguaje natural (PLN) para predecir las mutaciones del virus SARS-CoV-2

En los últimos años, un puñado de investigadores ha demostrado que las secuencias de proteínas y los códigos genéticos pueden modelarse utilizando técnicas de PLN. Ahora, los biólogos computacionales del Instituto Tecnológico de Massachusetts (MIT; Cambridge, MA, EUA) reunieron varias de estas cadenas y utilizan la PLN para predecir mutaciones que permiten que los virus eviten ser detectados por anticuerpos en el sistema inmunológico humano, un proceso conocido como escape inmunológico viral. La idea básica es que la interpretación de un virus por un sistema inmunológico es análoga a la interpretación de una oración por un humano.

El equipo utiliza dos conceptos lingüísticos diferentes: gramática y semántica (o significado). La aptitud genética o evolutiva de un virus, características tales como lo bueno que es para infectar a un huésped, se puede interpretar en términos de corrección gramatical. Un virus infeccioso exitoso es gramaticalmente correcto; uno que no tiene éxito no lo es. Del mismo modo, las mutaciones de un virus se pueden interpretar en términos de semántica. Las mutaciones que hacen que un virus parezca diferente a las cosas en su entorno, como cambios en las proteínas de su superficie que lo hacen invisible para ciertos anticuerpos, han alterado su significado. Los virus con diferentes mutaciones pueden tener diferentes significados, y un virus con un significado diferente puede necesitar diferentes anticuerpos para leerlo.

Para modelar estas propiedades, los investigadores utilizaron una LSTM, un tipo de red neuronal que es anterior a las basadas en transformadores utilizadas por modelos de lenguaje grandes como GPT-3. Estas redes más antiguas se pueden entrenar con muchos menos datos que los transformadores y aún funcionan bien para muchas aplicaciones. En lugar de millones de frases, entrenaron el modelo de PLN en miles de secuencias genéticas tomadas de tres virus diferentes: 45.000 secuencias únicas para una cepa de influenza, 60.000 para una cepa de VIH y entre 3.000 y 4.000 para una cepa del virus SARS-CoV-2.

Los modelos de PLN funcionan codificando palabras en un espacio matemático de tal manera que las palabras con significados similares están más juntas que las palabras con significados diferentes. Esto se conoce como incrustación. En el caso de los virus, la incrustación de las secuencias genéticas agrupaba los virus según la similitud de sus mutaciones. El objetivo general del método es identificar mutaciones que podrían permitir que un virus escape de un sistema inmunológico sin hacerlo menos infeccioso, es decir, mutaciones que cambian el significado de un virus sin hacerlo gramaticalmente incorrecto.

Para probar su método, el equipo utilizó una métrica común para evaluar las predicciones realizadas por modelos de aprendizaje automático que puntúan la exactitud en una escala entre 0,5 (nada mejor que la casualidad) y 1 (perfecto). En este caso, tomaron las principales mutaciones identificadas por la herramienta y, utilizando virus reales en un laboratorio, comprobaron cuántas de ellas eran mutaciones de escape reales. Sus resultados variaron de 0,69 para el VIH a 0,85 para una cepa de coronavirus. Esto es mejor que los resultados de otros modelos de última generación, según los investigadores.

El equipo ha procesado modelos con nuevas variantes del coronavirus, incluida la llamada mutación del Reino Unido, la mutación del visón de Dinamarca y variantes tomadas de Sudáfrica, Singapur y Malasia. El uso de PLN acelera un proceso lento. Anteriormente, el genoma del virus tomado de un paciente con COVID-19 en el hospital podía secuenciarse y sus mutaciones recreadas y estudiadas en un laboratorio. Sin embargo, eso se puede demorar semanas, mientras que el modelo PLN predice mutaciones potenciales de inmediato, lo que enfoca el trabajo de laboratorio y lo acelera.

“Hemos aprendido el lenguaje de la evolución”, dijo Bonnie Berger, bióloga computacional del Instituto Tecnológico de Massachusetts. “La biología tiene su propio lenguaje”.

Enlace relacionado:
Instituto Tecnológico de Massachusetts (MIT)