Q-BAFNet: Un enfoque híbrido cuántico clásico para la predicción de la afinidad de enlace con el objetivo de la droga

Área de la Ciencia:

• Química computacional
• La bioinformática
• La computación cuántica

Sus antecedentes:

• La predicción precisa de la afinidad de unión al fármaco objetivo (DTA) es crucial para acelerar el descubrimiento de fármacos y el cribado de alto rendimiento.
• Los modelos de aprendizaje profundo existentes luchan por capturar interacciones ligando-proteína complejas y dependientes del contexto.

Objetivo del estudio:

• Desarrollar una nueva arquitectura híbrida de aprendizaje profundo cuántico-clásico, Q-BAFNet, para mejorar la predicción de DTA.
• Mejorar la precisión y la generalización de los modelos de predicción de DTA, especialmente en entornos con datos limitados o con diversidad biológica.

Principales métodos:

• Q-BAFNet integra representaciones moleculares semánticas, estructurales y secuenciales utilizando ChemBERTa, ProtT5 y redes de convolución de gráficos (GCN).
• Un mecanismo de fusión de atención intermodal alinea dinámicamente las subestructuras de ligandos y proteínas.
• Un circuito cuántico variable (VQC) se emplea para capturar dependencias no lineales y entrelazadas en el espacio cuántico de Hilbert.

Principales resultados:

• Q-BAFNet demostró un rendimiento superior en los conjuntos de datos de referencia (Davis, KIBA, Metz) en comparación con los métodos existentes.
• El modelo logró métricas mejoradas, incluido el error cuadrado medio (MSE), el coeficiente de correlación de Pearson (PCC), el índice de concordancia (CI) y R-cuadrado (R2).
• Se observó un rendimiento excepcional en escenarios de predicción de tiro cero, incluidas las evaluaciones de inicio en frío del fármaco y del objetivo.

Conclusiones:

• Q-BAFNet representa un avance significativo en la predicción de DTA al aprovechar efectivamente el aprendizaje profundo híbrido cuántico-clásico.
• La capacidad del modelo para capturar interacciones moleculares complejas ofrece una vía prometedora para predicciones robustas y generalizables en el descubrimiento de fármacos.