- NucleicBERT utiliza una arquitectura similar a los modelos de lenguaje y aprende directamente a partir de secuencias individuales de ARN no codificante.
- El sistema igualó o superó diferentes herramientas especializadas en varias tareas estructurales y funcionales sin necesitar alineamientos evolutivos como entrada.
Una inteligencia artificial entrenada con aproximadamente 30 millones de secuencias de ARN no codificante ha conseguido aprender parte de las reglas que relacionan secuencia, estructura y función sin utilizar explícitamente información evolutiva procedente de otras especies. El sistema, denominado NucleicBERT y publicado este 3 de septiembre en Nature Machine Intelligence, adapta la lógica de los modelos lingüísticos para interpretar nucleótidos como tokens y secuencias completas como si fueran frases.
El entrenamiento funciona ocultando determinadas letras y pidiendo al modelo que prediga qué nucleótido debería ocupar cada posición utilizando el contexto restante. NucleicBERT alcanzó una precisión media de 0,831 en esa tarea de preentrenamiento, suficiente para que sus representaciones internas empezaran a separar familias de ARN y a capturar relaciones asociadas con plegamiento, contactos entre bases y regiones funcionalmente importantes antes de especializarse en tareas concretas.
Una de las principales diferencias frente a otros métodos es que puede trabajar con una única secuencia. Muchas herramientas de biología estructural recurren a alineamientos múltiples que comparan moléculas similares de numerosas especies para encontrar posiciones conservadas o que evolucionan conjuntamente. Esta información resulta extremadamente útil, pero pierde eficacia cuando se estudian moléculas nuevas o familias para las que existen pocos ejemplos relacionados. NucleicBERT intenta extraer parte de esas restricciones directamente del lenguaje estadístico del ARN.
Los investigadores probaron el modelo en predicción de estructura secundaria, mapas de contacto, sitios de empalme y actividad de ribozimas. Después de ajustar el sistema para cada tarea, su rendimiento fue competitivo o superior al de diferentes modelos especializados. En un experimento de actividad de ribozimas alcanzó un R² de 0,994, muy próximo a otros grandes modelos de ARN, y el preentrenamiento redujo de forma considerable el tiempo necesario para aprender la tarea.
El trabajo dedica además especial atención a la interpretabilidad. Los autores analizaron qué partes de las secuencias influyen sobre las predicciones y observaron mayor sensibilidad cuando alteraban regiones implicadas en emparejamientos estructuralmente importantes. El modelo también recuperó una parte medible de las señales de coevolución que normalmente se obtienen mediante alineamientos, aunque su rendimiento quedó por debajo de los métodos que disponían de información evolutiva completa.
NucleicBERT no sustituye a experimentos capaces de determinar directamente una estructura de ARN ni demuestra que la IA comprenda la biología como un investigador. Su utilidad está en servir como herramienta computacional rápida cuando los datos estructurales son escasos. Los autores plantean aplicaciones futuras en investigación básica y diseño de moléculas dirigidas al ARN, aunque cualquier uso farmacológico necesitará validación experimental independiente.
