Moltes proteïnes només funcionen quan un ió metàl·lic o un altre ió petit s'enganxa en un punt molt precís de la seva estructura: el calci que activa una proteïna musclar, el magnesi que estabilitza un enzim o el fosfat que canvia la forma d'un receptor. Saber exactament on s'hi lliga cada ió és essencial per entendre com funciona una proteïna o per dissenyar-hi un fàrmac al voltant, però localitzar aquests punts amb els mètodes de laboratori habituals és lent i car, i els programes de predicció d'estructures com l'AlphaFold no estan pensats específicament per a aquesta tasca.
Igor Kozlovskii i Petr Popov, de la Universitat Constructor i de Constructor Labs, han desenvolupat BiteNetI, un model d'aprenentatge profund entrenat amb més de 12.000 complexos de proteïnes que contenen més de 35.000 ions ja localitzats amb precisió. El sistema converteix l'estructura tridimensional d'una proteïna en una malla de coordenades i hi analitza onze tipus d'àtoms diferents per assenyalar, en només uns segons, on s'hi enganxen catorze tipus d'ions biològicament rellevants —entre ells calci, sodi, potassi, magnesi, fosfat i sulfat— i quins aminoàcids hi participen.
En les proves de l'equip, BiteNetI va assolir entre el doble i el triple de precisió que la majoria de mètodes anteriors per als ions fisiològicament més importants, i va superar l'AlphaFold 3 de Google DeepMind en gairebé tots els casos, encara que aquest darrer va mantenir un lleuger avantatge per al sodi i el carbonat. «Els nostres resultats mostren que un model compacte i pensat per a una tasca concreta pot anotar els punts d'unió d'ions en una estructura ja existent amb molta precisió i molta rapidesa», resumeix Popov. El treball s'ha publicat a la revista Communications Biology, del grup Nature.
El model no serveix per predir des de zero l'estructura d'una proteïna —per a això calen eines com l'AlphaFold—, sinó que treballa a partir d'una estructura ja calculada o determinada experimentalment i n'hi busca els punts d'unió d'ions. Els mateixos autors assenyalen que la precisió depèn de la qualitat de l'estructura de partida i que, per a alguns ions poc representats en el conjunt d'entrenament, com el carbonat, encara hi ha marge de millora.