Nou article: “AggrescanAI: Prediction of Aggregation-Prone Regions Using Contextualized Embeddings”

Abstract:

L'agregació de proteïnes juga un paper central en la patogènesi de moltes malalties neurodegeneratives i planteja reptes importants en l'enginyeria de proteïnes. Un factor clau d'aquest procés és la presència de regions propenses a l'agregació (APR) dins de les seqüències de proteïnes. Presentem AggrescanAI, una eina basada en l'aprenentatge profund que prediu la propensió a l'agregació a nivell de residus directament de la seqüència. Aprofita les incrustacions contextuals del model de llenguatge de proteïnes ProtT5, que captura informació rica codificada implícitament a la seqüència, sense requerir dades estructurals. El model es va entrenar en un conjunt d'APR anotades experimentalment, es va expandir mitjançant transferència d'homologia, es va avaluar mitjançant validació creuada i es va validar amb un punt de referència extern. AggrescanAI supera els predictors d'última generació i captura els canvis d'agregació induïts per mutacions patogèniques. Per facilitar l'accessibilitat, proporcionem un bloc de notes de Google Colab fàcil d'utilitzar i totalment obert: https://gitlab.com/bioinformatics-fil/aggrescanai. AggrescanAI representa una nova generació de predictors d'agregació basats en seqüències, impulsats per models d'aprenentatge profund i llenguatge de proteïnes.

Dades article:

Alvaro M. Navarro, Santiago Palacios, Thierry Galmarini, Oriol Bárcenas, Salvador Ventura, Cristina Marino-Buslje. AggrescanAI: Prediction of Aggregation-Prone Regions Using Contextualized Embeddings. Journal of Molecular Biology (2026). https://doi.org/10.1016/j.jmb.2026.169643.

DOI: 10.1016/j.jmb.2025.168945