EnergyFingerprint: clasificación de variantes missense

El problema

Cada genoma humano contiene miles de variantes missense — sustituciones de un solo nucleótido que cambian un aminoácido en la proteína. La mayoría son benignas, pero algunas causan enfermedades graves. Los laboratorios de diagnóstico genético necesitan clasificarlas rápido y bien, y los predictores existentes (CADD, REVEL, AlphaMissense) operan exclusivamente a nivel de proteína: conservación evolutiva, estructura 3D, propiedades fisicoquímicas del aminoácido.

Ninguno de ellos mira lo que hay debajo: el mRNA que codifica esa proteína. Y el mRNA tiene física propia — energía de apilamiento entre nucleótidos adyacentes, estructura secundaria, estabilidad local — que una mutación puede alterar incluso si el cambio aminoacídico parece inocuo.

La idea: dos ejes ortogonales

EnergyFingerprint combina dos señales en un solo tensor de 11 canales × 128 nucleótidos por variante:

Eje biofísico (canales 1-4): Perfiles termodinámicos de apilamiento del mRNA calculados con parámetros nearest-neighbor (SantaLucia 1998, Turner 2004). Capturan la energía libre de Gibbs (ΔG) entre dinucleótidos adyacentes — información de contexto local que métricas simples como GC3 no contienen.

Eje evolutivo (canales 5-11): ESMC-300M protein language model (EvolutionaryScale, sucesor de ESM-1v). Masked marginal scoring: se enmascara la posición mutada, se mide la log-likelihood ratio entre el aminoácido nativo y el mutante. Captura la presión evolutiva que ha actuado sobre esa posición durante millones de años.

Los dos ejes son ortogonales: uno opera a nivel de nucleótido, el otro a nivel de proteína. En missense la clasificación la lleva el eje evolutivo; el termodinámico aporta su valor distintivo allí donde aquél es ciego — variantes sinónimas y mRNA.

Resultados: 8 genes del preprint

Genes (preprint)

0.994

AUC intra-gen máximo (PTEN)

~228K

Parámetros CNN

Canales

Gen	Tipo	AUC intra-gen	AUC zero-shot
BRCA1	Cáncer (mama/ovario)	0.943	— (gen de entrenamiento)
TP53	Cáncer (supresor tumoral)	0.907	0.854
PTEN	Cáncer (supresor tumoral)	0.994	0.975
PALB2	Cáncer (reparación ADN)	0.950	0.954
CFTR	Fibrosis quística (canal ABC)	0.979	0.777
HBB	Anemia falciforme (globina)	0.721	0.707
MECP2	Síndrome de Rett (IDR)	0.911	0.430
SCN1A	Epilepsia (canal iónico TM)	0.913	0.637

Nota sobre los AUC: se calculan sobre ClinVar, donde el valor puede reflejar la identidad del gen o la posición de la variante más que el efecto de la propia variante.

Actualización julio 2026: El panel se ha expandido de 8 a 42 genes (12 entrenables + 30 solo zero-shot), con un AUC medio zero-shot de 0,876 sobre 41 genes evaluables. Estos resultados del panel de 42 genes no están publicados: solo los 8 genes de la tabla de arriba tienen fuente pública. El modelo evolutivo se ha migrado de ESM-1v a ESMC-300M (AUC CNN 0,961 en BRCA1, cifra tampoco publicada). Resultados del benchmark de 7 genes en el informe técnico TECH-2.

Actualización agosto 2026 — auditoría de canales. Una auditoría interna del pipeline sobre el panel de 42 genes (5.023 variantes) reveló que, en missense, la clasificación la lleva el canal evolutivo: el LLR de ESMC leído en la posición de la variante discrimina con AUC ≈ 0.90, y el canal termodinámico —aunque ortogonal— no añade poder discriminativo neto en este régimen. Los AUC zero-shot de arriba reflejan sobre todo ese eje evolutivo. El valor distintivo de la termodinámica aparece en las variantes sinónimas, donde el modelo de lenguaje proteico es ciego y ΔG sí clasifica. Detalle metodológico en Dónde gana la termodinámica: un contraste de régimen.

El gradiente de transferibilidad

El hallazgo más revelador no son los AUCs absolutos, sino el patrón que emerge al entrenar con BRCA1 y predecir en los demás genes sin reentrenamiento (zero-shot):

Cáncer ~0.9 > Canal ABC ~0.78 > Globina ~0.71 > Membrana TM ~0.64 > IDR ~0.43

Este gradiente no es ruido — refleja la gramática termodinámica de cada familia de proteínas. Las proteínas globulares (BRCA1, TP53, PTEN) tienen perfiles ΔG informativos porque la presión selectiva sobre la estabilidad del mRNA es fuerte. Las proteínas con regiones intrínsecamente desordenadas (MECP2) tienen perfiles ΔG planos — la señal termodinámica es débil porque no hay presión selectiva sobre la física del mRNA.

Esto conecta directamente con la hipótesis E1 del roadmap: el gradiente de transferibilidad podría ser un clasificador funcional de proteínas basado exclusivamente en la física del mRNA.

Arquitectura técnica

La CNN es deliberadamente pequeña (~228K parámetros) para evitar overfitting en datasets genéticos donde las muestras son escasas. Usa CrossEntropyLoss con 2 outputs (no BCEWithLogitsLoss con 1), class weights [1.0, n_neg/n_pos] para datasets desbalanceados, y GradCAM1D para explicabilidad — el modelo señala qué regiones del mRNA contribuyeron a su predicción.

El motor compartido (energy.py) computa los perfiles ΔG nearest-neighbor. Para proteínas de más de 1022 aminoácidos, ESMC-300M necesita windowing.

Competidores y diferenciación

CADD integra múltiples anotaciones genómicas en un solo score. REVEL ensambla 13 predictores. AlphaMissense usa representaciones de AlphaFold2. Todos operan a nivel de proteína.

EnergyFingerprint combina señal termodinámica del mRNA con señal evolutiva de protein language model. Que la información de los dos ejes sea ortogonal es la hipótesis de trabajo; si lo es, esa complementariedad se materializaría sobre todo donde los predictores de proteína no llegan — variantes sinónimas y mRNA. En missense, el eje evolutivo ya captura la señal; ahí EF integra ambos canales pero es el evolutivo el que clasifica.