Pesquisadores do Departamento de Biologia do MIT apresentaram o PottsMPNN, um framework de aprendizado de máquina que incorpora princípios físicos que governam a estrutura e a estabilidade de proteínas. Segundo o estudo publicado na PNAS, o modelo tem melhor compreensão da relação entre a identidade de cada aminoácido e a estabilidade da proteína, permitindo gerar sequências viáveis estruturalmente que não se assemelham às de proteínas nativas.

A professora Amy E. Keating, autora sênior, afirmou que o sucesso na área vinha sendo medido pela capacidade de reproduzir a sequência escolhida pela evolução, o que, segundo ela, não é a melhor métrica para o desenho de proteínas. O estudante Foster Birnbaum, autor principal, destacou que, para estruturas totalmente novas, não há sequência nativa de comparação; importa a probabilidade de as sequências geradas adotarem a estrutura desejada e a capacidade de prever o efeito de mutações na estabilidade.

O modelo usa distribuições pareadas para capturar interações entre aminoácidos e incorpora conjuntos de sequências evolutivamente relacionadas no treinamento. Os autores relatam que, à medida que o modelo depende menos de sequências nativas, a compatibilidade estrutural e a previsão de energia melhoram. O trabalho é preclinical e os pesquisadores esperam refinar o modelo para tarefas específicas.