BiVAE-CPI: Un modelo generativo interpretable que utiliza un autoencoder variacional bilateral para la predicción de...

Área de la Ciencia:

• Química computacional
• La bioinformática
• Descubrimiento de drogas

Sus antecedentes:

• La predicción de las interacciones compuesto-proteína (ICP) es crucial para el descubrimiento de fármacos, pero consume mucho tiempo con los métodos tradicionales.
• Los modelos de aprendizaje profundo se utilizan cada vez más para la predicción del IPC, pero muchos no logran capturar correlaciones entre pares o representaciones latentes de manera efectiva.

Objetivo del estudio:

• Proponer BiVAE-CPI, un nuevo modelo de aprendizaje profundo para mejorar la predicción del IPC.
• Abordar las limitaciones de los métodos existentes mediante la incorporación de correlaciones entre pares de IPC y el aprendizaje de representaciones latentes de baja dimensión compartidas.

Principales métodos:

• Utilizó un autoencoder variacional bilateral (BiVAE) para modelar correlaciones y aprender representaciones latentes.
• Red de Isomorfismo de Gráficos Empleados (GIN) para el aprendizaje de representaciones compuestas.
• Usó un codificador convolucional para incrustar la secuencia de proteínas.

Principales resultados:

• BiVAE-CPI demostró un rendimiento superior a los métodos de última generación en los conjuntos de datos de referencia, en particular en los datos desequilibrados.
• El modelo captura efectivamente las correlaciones y aprende representaciones latentes compartidas para la predicción del IPC.
• La representación continua del espacio latente ofrece una mejor interpretabilidad y fusiona la distribución con las características.

Conclusiones:

• BiVAE-CPI ofrece un avance significativo en la precisión y la eficiencia de la predicción del IPC.
• Considerar las correlaciones y las representaciones latentes compartidas es beneficioso para desarrollar modelos de predicción del IPC sólidos.
• El método propuesto es prometedor para acelerar el descubrimiento y desarrollo de fármacos.