DeepAIPs-SFLA: Modelo convolucional profundo para la predicción de péptidos antiinflamatorios utilizando la...

Área de la Ciencia:

• Biología computacional
• Inmunología
• Descubrimiento de drogas

Sus antecedentes:

• La inflamación es una respuesta inmune crítica, pero la inflamación crónica causa enfermedades graves.
• Los péptidos antiinflamatorios (PAI) muestran una promesa terapéutica debido a su selectividad y efectos secundarios mínimos.
• Los predictores de AIP computacionales existentes carecen de información de secuencia interna, estructural y evolutiva.

Objetivo del estudio:

• Desarrollar un nuevo modelo de aprendizaje profundo, DeepAIPs-SFLA, para una predicción precisa de los péptidos antiinflamatorios.
• Integrar las características evolutivas y estructurales del péptido utilizando una codificación avanzada basada en imágenes.
• Mejorar los métodos computacionales existentes para identificar posibles terapias con péptidos antiinflamatorios.

Principales métodos:

• Secuencias peptídicas transformadas en imágenes estructurales 2D (RECM) y evolutivas (PSSM).
• Los patrones binarios locales utilizados (LBP) y los patrones binarios locales completados (CLBP) para los descriptores de textura.
• Características integradas utilizando evolución diferencial y características óptimas seleccionadas con un algoritmo de salto de rana mezclado (SFLA) para el entrenamiento de redes neuronales convolucionales residuales profundas (RCNN).

Principales resultados:

• El modelo DeepAIPs-SFLA logró una precisión predictiva del 97,04% y un AUC de 0,98 en las secuencias de entrenamiento.
• Se han demostrado mejoras significativas de precisión del 13% y del 2% en conjuntos de datos independientes (Ind-426 e Ind-1049) en comparación con los predictores existentes.
• Valida la robustez y el poder de generalización del modelo para predecir péptidos antiinflamatorios.

Conclusiones:

• DeepAIPs-SFLA ofrece un poderoso enfoque computacional para identificar péptidos antiinflamatorios.
• La integración del modelo de diversas secuencias e información estructural mejora la precisión predictiva.
• Esta herramienta tiene potencial para avanzar en la investigación y acelerar el descubrimiento de fármacos para enfermedades inflamatorias.