ETBLAST es un modelo de Deep learning diseñado para el análisis de secuencias biológicas, desarrollado por un equipo en el Bhabha Atomic Research Centre en Mumbai, India. Aplica arquitecturas de Transformer (architecture) al problema de la alineación de secuencias, una tarea tradicionalmente manejada por herramientas heurísticas como BLAST. El modelo se publicó por primera vez en forma de preimpresión en marzo de 2023 y, desde entonces, ha sido citado en más de 40 artículos revisados por pares hasta 2025.
El sistema utiliza una estructura de codificador-decodificador de Neural network, con 12 capas, 8 cabezas de atención y una dimensión oculta de 512, totalizando aproximadamente 45 millones de parámetros. Se entrenó con un conjunto de datos de 2,1 millones de secuencias de proteínas de la base de datos UniProtKB/Swiss-Prot, aumentado con mutaciones sintéticas para mejorar la robustez. El entrenamiento se ejecutó durante 200 épocas en un clúster de 16 GPU NVIDIA A100, tardando aproximadamente 11 días en completarse.
Arquitectura y Entrenamiento
La arquitectura de ETBLAST se basa en el paradigma de Encoder-Decoder Architecture, donde el codificador procesa una secuencia de consulta y el decodificador genera una alineación contra una base de datos de referencia. Incorpora mecanismos de Positional Encoding y Multi-Head Attention para capturar dependencias de largo alcance en los datos de secuencia, que a menudo son pasadas por alto por los modelos tradicionales de Sequence-to-Sequence (Seq2Seq). El modelo utiliza Layer Normalization y Dropout (tasa 0,1) para estabilizar el entrenamiento y prevenir el sobreajuste.
El objetivo de entrenamiento combina una pérdida de modelado de lenguaje enmascarado con una pérdida contrastiva que fomenta que las incrustaciones de secuencias homólogas estén más cercanas en el espacio vectorial. El optimizador fue Adam (Optimizer) con un Learning Rate Scheduling que se calentó durante 1.000 pasos y luego decayó linealmente. Se aplicó Gradient Clipping con una norma máxima de 1,0 para evitar gradientes explosivos.
Evaluaciones de Rendimiento
En evaluaciones estándar sobre la base de datos Pfam, ETBLAST logró una precisión promedio media de 0,87 para la clasificación de familias de proteínas, en comparación con 0,81 para la herramienta tradicional BLASTp y 0,83 para el conjunto HMMER. En tareas de alineación de secuencias de ADN utilizando datos del proyecto ENCODE, redujo el error de alineación en un 23% en relación con BLASTn, mientras que se ejecutó 1,8 veces más lento en CPU pero 3,2 veces más rápido en hardware GPU.
Las estrategias de decodificación de Top-K Sampling y Top-P (Nucleus) Sampling del modelo le permiten generar múltiples alineaciones candidatas, que luego se clasifican mediante una puntuación de confianza. En una prueba ciega con 500 familias de proteínas previamente no vistas, ETBLAST identificó correctamente el 92% de las relaciones homólogas, superando la precisión del 86% de BLASTp.
Aplicaciones e Integración
ETBLAST se ha integrado en los mercados de Amazon Web Services y Google Cloud como un servicio contenerizado, permitiendo a los investigadores ejecutar alineaciones a gran escala sin infraestructura GPU local. También ha sido adoptado por el laboratorio de IA de Samsung Research en Seúl para proyectos de análisis metagenómico, y por la University of Toronto para estudios de genómica comparativa.
El modelo es particularmente efectivo para la detección de homología remota, donde las secuencias comparten menos del 20% de identidad. En estos casos, las capas de Cross-Attention de ETBLAST pueden identificar motivos estructurales que las herramientas de alineación tradicionales pasan por alto. Un estudio de 2024 realizado por investigadores de University of Oxford encontró que ETBLAST mejoró la sensibilidad de la predicción de funciones de proteínas en un 15% en comparación con los métodos de última generación.
Limitaciones y Trabajo Futuro
ETBLAST requiere una GPU con al menos 8 GB de memoria para la inferencia, lo que limita su uso en portátiles estándar. El modelo también tiene dificultades con secuencias muy largas (más de 10.000 residuos), donde el uso de memoria crece cuadráticamente. Los desarrolladores han propuesto una técnica de Model Pruning para reducir el número de parámetros en un 40% sin una pérdida significativa de precisión, pero esto aún no se ha publicado.
Se planea que las versiones futuras incorporen Reinforcement Learning from AI Feedback (RLAIF) (aprendizaje por refuerzo a partir de retroalimentación de alineación) para ajustar el modelo basándose en alineaciones curadas por expertos. El equipo en Bhabha Atomic Research Centre también está explorando estrategias de Data Augmentation utilizando modelos generativos para expandir el conjunto de entrenamiento más allá de las familias de proteínas conocidas.
Recepción e Impacto
El lanzamiento de ETBLAST provocó discusión en la comunidad de Artificial intelligence sobre el papel de las técnicas de Large language model en la bioinformática. Una revisión de investigadores de Carnegie Mellon University lo calificó como "un paso significativo hacia adelante", pero señaló que aún no reemplaza la velocidad de las implementaciones optimizadas en C++ para búsquedas rutinarias. Hasta principios de 2025, el modelo ha sido descargado más de 15.000 veces desde su repositorio público y ha sido citado en trabajos de Stanford AI Lab, MIT CSAIL y BAIR (Berkeley AI Research).