MMFi-DPBML: Fusión de características de huellas dactilares multimoleculares para predecir las interacciones...

Área de la Ciencia:

• Química computacional y farmacología
• Bioinformática y quimioinformática
• Investigación en medicina tradicional china

Sus antecedentes:

• La medicina tradicional china (MTC) se basa en compuestos naturales complejos con interacciones intrincadas entre ingredientes y objetivos.
• La predicción precisa de las ITI es crucial para modernizar la MTC y avanzar en el descubrimiento de fármacos a partir de productos naturales.
• Los métodos computacionales existentes a menudo tienen dificultades para capturar todo el espectro de características moleculares relevantes para las ITI.

Objetivo del estudio:

• Desarrollar y validar MMFi-DPBML, un marco de aprendizaje profundo para predecir las ITI en la MTC.
• Integrar las características de huellas dactilares multimoleculares para una mayor precisión de predicción.
• Apoyar la modernización de la MTC basada en datos y facilitar la identificación de compuestos bioactivos.

Principales métodos:

• MMFi-DPBML fusiona cuatro huellas moleculares (MACCS, ECFP4, Torsión, Farmacoforo 2D) y 20 descriptores moleculares.
• Una Red Neural Convolucional de Pirámide Profunda (DPCNN) procesa las características moleculares, mientras que un BiLSTM apilado codifica objetivos de proteínas.
• Un perceptrón multicapa (MLP) integra estos espacios de características para la predicción de la interacción final, evaluado en un conjunto de datos TCMTS personalizado y puntos de referencia públicos.

Principales resultados:

• El modelo MMFi-DPBML completo logró un alto rendimiento con un AUC de 0,9873 y una puntuación F1 ponderada de 0,9860 en el conjunto de datos TCMTS.
• Los estudios de ablación confirmaron la contribución de cada tipo de característica y componente del modelo.
• MMFi-DPBML superó a los modelos de predicción de ITI de última generación y demostró una generalización robusta en diversos conjuntos de datos, con un acoplamiento molecular que validó las predicciones para Scutellaria baicalensis.

Conclusiones:

• MMFi-DPBML integra efectivamente diversas características moleculares para una predicción precisa de la interacción entre el ingrediente y el objetivo de la MTC.
• El modelo muestra un potencial significativo como herramienta computacional para el descubrimiento de fármacos, particularmente en la identificación de componentes activos en productos naturales.
• La investigación futura se centrará en mejorar la interpretabilidad del modelo y ampliar sus capacidades a la modelización farmacológica multi-objetivo.