Un marco eficaz para la predicción del pliegue de proteínas a través de la fusión de la información evolutiva y el...

Área de la Ciencia:

• Biología estructural
• La bioinformática
• Biología computacional

Sus antecedentes:

• Las proteínas son vitales para las funciones celulares, y predecir su estructura es crucial.
• El reconocimiento de pliegues de proteínas (PFR) identifica pliegues estructurales de proteínas utilizando plantillas conocidas, un desafío persistente.
• Los métodos actuales de PFR a menudo se basan en información evolutiva a través de perfiles evolutivos.

Objetivo del estudio:

• Para mejorar el rendimiento del reconocimiento de pliegues de proteínas (PFR).
• Para integrar la información evolutiva con los mecanismos de atención de los modelos basados en transformadores.
• Evaluar los modelos propuestos en conjuntos de datos de proteínas establecidos.

Principales métodos:

• Propuso cuatro modelos que integran la información evolutiva con los mecanismos de atención.
• Se utilizaron modelos basados en transformadores, incluido el ESM-2, un modelo de lenguaje grande entrenado con proteínas.
• Modelos evaluados en los conjuntos de datos DD, EDD, TG y SCOPe 2.08.

Principales resultados:

• El mejor modelo logró altas precisiones: 93,10% (DD), 96,40% (EDD), 93,30% (TG) y 92,24% (SCOPe 2.08).
• La fusión de características basadas en la atención y evolutivas resultó más efectiva para la clasificación.
• Las características evolutivas aumentaron la precisión del ESM-2 en un 6-10% (DD, EDD, TG) y más del 5% (SCOPe 2.08).

Conclusiones:

• La combinación de características evolutivas con mecanismos de atención hace avanzar significativamente el PFR.
• El enfoque propuesto ofrece una mayor precisión en la predicción de los pliegues estructurales de las proteínas.
• Este trabajo representa una notable progresión en la predicción computacional de la estructura de las proteínas.