El estudio de las proteínas es esencial para comprender cómo funciona la vida, pero una gran parte de los genes que codifican proteínas sigue sin una función conocida. Esta zona gris, conocida como “proteoma oscuro”, representa un obstáculo para interpretar genomas completos y para entender los procesos biológicos que han marcado la evolución de los animales. En los organismos poco estudiados, esta falta de información es todavía mayor y limita la exploración de nuevas funciones moleculares.
Frente a este escenario, las herramientas de anotación basadas en similitud de secuencia resultan insuficientes, ya que muchos genes evolucionan demasiado rápido o no muestran homólogos identificables. En este contexto, la inteligencia artificial abre una vía alternativa y necesaria para avanzar. En nuestro trabajo hemos desarrollado FANTASIA (del inglés Functional ANnoTAtion based on embedding Space SImilarity), un sistema capaz de ampliar de forma fiable el catálogo funcional de unas mil especies animales usando modelos de lenguaje pre-entrenados con millones de secuencias proteicas.
El estudio describe cómo aplicamos esta herramienta a cerca de mil proteomas animales, obteniendo una asignación funcional para prácticamente todas las proteínas analizadas. Esta aproximación permite acceder a información que hasta ahora permanecía inaccesible. Nuestro trabajo muestra que FANTASIA recupera funciones biológicas que no aparecen en los análisis de homología y que su uso facilita la identificación de nuevos procesos relacionados con rasgos propios de distintas ramas del árbol de los animales.
La magnitud del problema del proteoma oscuro
Uno de los principales retos de la genómica actual es que un número considerable de proteínas carece de cualquier descripción funcional. En muchas especies animales, especialmente en aquellas que no son modelos clásicos de laboratorio, un gran porcentaje del proteoma no tiene función conocida. Este vacío informativo dificulta la comprensión de procesos celulares básicos y afecta a la interpretación de estudios de evolución, desarrollo o respuesta al estrés.
Además, la falta de anotaciones fiables puede llevar a errores en los análisis comparativos, ya que funciones clave quedan invisibles o incompletas. En nuestro trabajo abordamos este problema desde una perspectiva amplia, cubriendo la diversidad animal en su conjunto y evaluando hasta qué punto la inteligencia artificial puede reducir esta carencia.
Los métodos tradicionales de anotación funcional se basan en buscar similitud de secuencia con proteínas previamente caracterizadas. Sin embargo, esta estrategia falla cuando las secuencias son demasiado divergentes o pertenecen a genes sin homólogos detectables, conocidos como genes huérfanos. Para superar esta limitación, recurrimos a los modelos de lenguaje de proteínas, herramientas que aprenden patrones estructurales y funcionales directamente de grandes bases de datos de secuencias.
Estos modelos generan representaciones matemáticas, llamadas embeddings, que permiten comparar proteínas incluso cuando no comparten similitud evidente a nivel de secuencia. Esta capacidad de generalización es clave para ampliar el alcance de la anotación funcional.
El enfoque de FANTASIA y su fundamento técnico
El núcleo de nuestro enfoque es FANTASIA, una herramienta diseñada para realizar anotaciones funcionales mediante la comparación de embeddings proteicos. Cada proteína se transforma en un vector numérico que resume sus propiedades más informativas. Posteriormente, FANTASIA calcula la distancia en el espacio de embeddings respecto a una base de datos de referencia con anotaciones de Gene Ontology. Este procedimiento permite transferir funciones basadas en la cercanía matemática entre proteínas, incluso cuando la similitud a nivel de secuencia es mínima o inexistente. Este enfoque, conocido como zero-shot, evita la necesidad de entrenar modelos específicos para cada organismo o conjunto de datos.
La herramienta que presentamos fue diseñada con dos objetivos principales: escalabilidad y flexibilidad. FANTASIA gestiona proteomas completos, incluyendo especies con decenas de miles de proteínas, y permite trabajar con diferentes modelos de lenguaje como ProtT5 o ESM2.
También incorpora un sistema de filtrado configurable y opciones para elegir métricas de distancia, lo que la convierte en una plataforma adaptable para distintos tipos de análisis. En el estudio, aplicamos esta herramienta a más de 23 millones de proteínas, lo que demuestra su capacidad para funcionar en escenarios de gran escala.
Diferencias frente a los métodos basados en homología
Una de las conclusiones principales es que FANTASIA complementa y amplía de manera sustancial la anotación basada en homología. En muchos grupos animales, los métodos tradicionales son incapaces de asignar función a casi la mitad de los genes, especialmente en filos menos estudiados como los tardígrados o las esponjas.
En cambio, la aproximación basada en embeddings permite recuperar funciones más precisas, más informativas y más diversas. En términos cuantitativos, FANTASIA proporciona una cobertura funcional casi completa, incluso en especies sin información previa en bases de datos de anotaciones.
Además, observamos que produce listas de términos menos ruidosas. Esto es relevante porque en los análisis biológicos, un exceso de términos generales puede ocultar funciones más específicas. En el estudio, evaluamos la coincidencia entre las anotaciones generadas mediante homología y aquellas derivadas del espacio de embeddings. Aunque ambas aproximaciones comparten cierta información, los métodos basados en modelos de lenguaje descubren funciones adicionales que no aparecen en la homología, lo cual es especialmente relevante para estudiar innovaciones evolutivas.
Descubrir funciones ocultas en la diversidad animal
Aplicamos FANTASIA para identificar funciones que no aparecen al usar métodos tradicionales. Para ello realizamos análisis de enriquecimiento de términos en los genes sin anotación por homología.
Este enfoque permitió detectar funciones comunes a todos los filos animales, como las asociadas a la respuesta inmunitaria y la defensa frente a virus, que a menudo están sometidas a cambios rápidos y, por tanto, se pierden en las búsquedas de homología. Esta observación confirma que las proteínas relacionadas con inmunidad son especialmente propensas a permanecer ocultas si solo se emplean métodos convencionales.
También identificamos funciones específicas de ciertos grupos animales. Por ejemplo, en los tardígrados, las anotaciones adicionales solo reveladas con FANTASIA revelan procesos relacionados con la tolerancia al estrés, una característica clave de este grupo.
En Micrognathozoa, un filo animal altamente desconocido y con escasa información disponible, encontramos funciones vinculadas al sistema reproductor y al aparato faríngeo, lo que abre la puerta a investigar estructuras poco conocidas. En ctenóforos, detectamos funciones asociadas a su sistema nervioso, que tiene características singulares y poco comparables con otros animales. Estos resultados muestran que los modelos de lenguaje permiten explorar funciones novedosas en grupos con una biología poco estudiada.
Retos y perspectivas futuras
Aunque la principal limitación en el uso de FANTASIA era la longitud de las secuencias, el avance tecnológico en desarrollar tarjetas gráficas cada vez más potentes y con más memoria, mitiga este problema, permitiendo anotar prácticamente la mayoría de las proteínas con muy contadas excepciones.
Otro desafío es la calidad variable de los datos disponibles, especialmente en organismos no modelo, donde las anotaciones de referencia son escasas y las secuencias pueden contener errores derivados del ensamblaje. A pesar de estas limitaciones, la herramienta ofrece resultados robustos y se adapta bien a distintos escenarios.
El trabajo también señala una dirección clara para el futuro: integrar nuevos modelos de lenguaje y mejorar la representación de proteínas complejas. FANTASIA está diseñada como un sistema modular, lo que facilita incorporar modelos más recientes y eficientes. Con la expansión continua de bases de datos genómicas y la aparición de nuevas plataformas de secuenciación, contar con una herramienta abierta y escalable es fundamental. Consideramos que la aproximación basada en embeddings será una pieza clave para interpretar los genomas que se generen en grandes proyectos internacionales en los próximos años.
Referencias
- Martínez-Redondo, G.I., Perez-Canales, F.M., Carbonetto, B. et al. FANTASIA leverages language models to decode the functional dark proteome across the animal tree of life. Commun Biol 8, 1227 (2025). doi: 10.1038/s42003-025-08651-2
- Barrios-Núñez, I., Martínez-Redondo, G.I., Medina-Burgos, P., Cases, I., Fernández, R. & Rojas, A.M. Decoding functional proteome information in model organisms using protein language models. NAR Genomics Bioinform. 6, lqae078 (2024). doi: 10.1093/nargab/lqae078
