Aprendizaje interactivo jerárquico de doble canal para la predicción de la afinidad de unión proteína-ligando

Área de la Ciencia:

• Química computacional
• Descubrimiento de drogas
• La bioinformática

Sus antecedentes:

• La afinidad de unión proteína-ligando (PLBA) es crítica para el cribado de fármacos.
• Los modelos de aprendizaje profundo son prometedores para la predicción de afinidad.
• Los métodos existentes a menudo tratan las interacciones intramoleculares e intermoleculares de manera independiente, lo que limita la precisión.

Objetivo del estudio:

• Proponer un nuevo enfoque, el aprendizaje interactivo jerárquico de doble canal (DHIL), para el modelado integral de la interacción proteína-ligando.
• Mejorar la precisión de la predicción PLBA mediante el modelado explícito de las dependencias jerárquicas entre los tipos de interacción.

Principales métodos:

• DHIL utiliza una estructura de codificación de doble canal para aprender las interacciones intramoleculares e intermoleculares simultáneamente.
• Un paradigma de aprendizaje interactivo jerárquico facilita el intercambio de información a varios niveles entre los tipos de interacción.
• El enfoque imita el procesamiento local a global de los sistemas biológicos para una representación detallada de la interacción.

Principales resultados:

• DHIL mejora significativamente la precisión de las predicciones PLBA en conjuntos de datos de referencia.
• El modelo supera a los métodos existentes para predecir la afinidad de unión.
• Los experimentos validan la eficacia de DHIL para el descubrimiento y la detección de fármacos.

Conclusiones:

• DHIL ofrece un método más completo y preciso para modelar las interacciones proteína-ligando.
• El enfoque de modelado jerárquico mejora las capacidades de predicción de afinidad.
• El trabajo futuro debe abordar la sobrecarga computacional y la sensibilidad a la calidad de la conformación de entrada.