Dal Natural Language Processing alle proteine: apprendimento automatico di sequenze mediante Transformer

Classificare milioni di proteine in base alla loro funzione rappresenta una sfida computazionale significativa. I metodi tradizionali come BLAST o modelli di Markov mostrano limiti nel riconoscimento di pattern distanti e funzioni distinte. Partendo da ProfileView, un software per l'identificazione di classi funzionali, il nostro obiettivo è classificare su larga scala proteine, attingendo a vasti database e ai continui progressi nel sequenziamento ad alto rendimento. Sulla base dei recenti progressi fatti nel Natural Language Processing con l'architettura Transformer, abbiamo implementato DomainSpanESM per l'identificazione di schemi nelle sequenze funzionalmente correlate, facilitando la classificazione di milioni di sequenze in gruppi definiti. Inoltre, grazie all'allineamento di sequenze, sono stati riconosciuti diversi amminoacidi altamente conservati, ritrovati frequentemente lungo le stesse posizioni nella matrice, e risultati cruciali per la definizione delle classi, offrendo spunti sulle sfumature funzionali di ognuna di esse. Sperimentato su famiglie proteiche di rilievo come Thioredoxin (TRX) e Cryptochrome/Photolyase (CPF), DomainSpanESM rappresenta un progresso nell’annotazione e classificazione funzionale su larga scala, migliorando la comprensione delle funzioni proteiche e delle loro relazioni evolutive.