Un equipo entrenó Dyna-1, un modelo de deep learning que usa asignaciones ausentes en espectros de resonancia magnética nuclear para predecir movimientos de proteínas entre microsegundos y milisegundos. El modelo también predijo el intercambio medido en experimentos de relajación, una señal de esas dinámicas.
Muchas proteínas alternan entre varias formas en esas escalas de tiempo, y esos cambios sostienen funciones biológicas. Sin embargo, faltaban datos experimentales amplios y estandarizados para anticiparlos mejor.
El equipo reunió más de 100 conjuntos de datos de relajación por RMN. Después planteó que algunos residuos sin asignar en los registros de cerca de 10 000 proteínas del BMRB habían desaparecido por el ensanchamiento de sus señales durante esos movimientos. Entrenaron varios modelos para predecir esas ausencias.
Dyna-1 usó una capa intermedia del modelo de lenguaje multimodal ESM-32. Predijo en especial dinámicas ligadas a la catálisis enzimática y a la unión de ligandos. Los autores también observaron que los residuos con intercambio entre microsegundos y milisegundos tienden a estar más conservados.
✅ El trabajo sugiere que la ausencia de una señal puede aportar datos sobre cómo se mueve una proteína y cómo cumple su función. Su límite central es el supuesto de partida: que las asignaciones ausentes reflejan ese intercambio; aunque el modelo coincidió con mediciones de relajación, hará falta comprobar su alcance en más sistemas.
