Saber exactament on s'enganxen ions com el calci, el potassi o el magnesi a una proteïna és clau per entendre com funciona i per dissenyar-hi fàrmacs, però localitzar aquests punts d'unió amb precisió ha estat sempre una feina lenta de laboratori, i les eines de predicció d'estructures com AlphaFold 3 no estan pensades específicament per a aquesta tasca.
Un equip d'Igor Kozlovskii i Petr Popov, de la Universitat Constructor i Constructor Labs, ha publicat a la revista Communications Biology, del grup Nature, un nou sistema d'aprenentatge profund anomenat BiteNetI, que «tradueix» l'estructura tridimensional d'una proteïna en una mena de graella que escaneja com si fos un vídeo, atenta a onze tipus d'àtoms diferents. Entrenat amb més de 12.000 complexos proteics que contenen més de 35.000 ions ja identificats, el model localitza en qüestió de segons els punts d'unió de 14 tipus d'ions diferents, amb una precisió d'entre dues i tres vegades superior a la dels predictors existents —inclòs AlphaFold 3, d'Google DeepMind— per als ions fisiològics més rellevants, com el calci, el potassi i el magnesi.
És rellevant perquè demostra que, per a una tasca molt concreta i ben delimitada, un model especialitzat i molt més petit pot superar les eines generalistes de referència del sector, un missatge que reforça el que ja apuntava un altre estudi publicat aquesta mateixa setmana sobre identificació d'espècies amb IA: l'especialització encara guanya a la mida quan la dada d'entrenament és bona. Els autors posen el sistema a disposició en obert perquè altres grups de recerca el puguin validar i fer-lo servir per prioritzar dissenys de fàrmacs.
BiteNetI està pensat per treballar sobre estructures de proteïnes ja conegudes, no per predir-ne de noves com fa AlphaFold 3, i el propi estudi reconeix que la precisió varia força segons el tipus d'ió analitzat; encara ha de demostrar-se com es comporta amb proteïnes molt diferents de les del conjunt d'entrenament.