Según un informe de MIT News del 27 de agosto de 2026, un equipo del Departamento de Biología del MIT presentó PottsMPNN, un marco de aprendizaje automático publicado en PNAS que busca mejorar la generación de secuencias de proteínas. El modelo incorpora principios físicos que rigen la estructura y la estabilidad proteicas, con el objetivo de comprender mejor la relación entre la identidad de cada aminoácido y la estabilidad de la proteína, lo que el equipo denomina el paisaje secuencia-energía. La profesora Amy E. Keating, autora principal, señaló que medir el éxito por la capacidad de reproducir la secuencia que la evolución seleccionó no es la mejor métrica para el diseño de proteínas.

El estudiante de posgrado Foster Birnbaum, primer autor, explicó que el trabajo se centró en el uso de "ruido" —variaciones añadidas a la estructura durante el entrenamiento— para reducir la tendencia del modelo a imitar secuencias nativas. PottsMPNN emplea además una distribución por pares que captura interacciones entre aminoácidos y se entrenó con conjuntos de secuencias evolutivamente relacionadas. Birnbaum reconoció que incorporar información evolutiva implica cierta dependencia de secuencias nativas, aunque el modelo mostró que, a medida que depende menos de ellas, mejoran la compatibilidad estructural y la predicción de energía, incluso para proteínas novedosas.

Los autores describen el estudio como un avance metodológico en el diseño de proteínas y expresan optimismo sobre su posible refinamiento para tareas específicas. Se trata de investigación computacional y de diseño, no de resultados clínicos ni de recomendaciones médicas.