В исследовании представлена новая методология MaskNGly, которая использует семантические признаки, извлеченные из высокоразмерных встраиваний языковых моделей белков (pLMs), для идентификации сайтов N-гликозилирования без необходимости дообучения с учителем (zero-shot подход). Авторы демонстрируют, что коэволюционный анализ позволяет интерпретировать «черный ящик» pLMs, выявляя биологически значимые сигналы напрямую из эмбеддингов. Метод достигает производительности, сопоставимой с современными supervised-предикторами, но при этом является вычислительно эффективным и масштабируемым для омиксных исследований. Анализ протеомов показал, что канонические мотивы N-X-S/T приобретают более высокую склонность к гликозилированию по мере усложнения организма, а само гликозилирование предпочтительно происходит в структурированных, экспонированных растворителю участках белка. Мутации, изменяющие высокооцененные мотивы, чаще ассоциированы с заболеваниями, а также выявлены сигнатуры гликозилирование-опосредованного аллостеризма белка. Результаты открывают интерпретируемый и масштабируемый путь для изучения гликобиологии, используя уже обученные языковые модели без дополнительных затрат на сбор размеченных данных.