IQSPred-PLM: Un modelo de predicción de péptidos de detección de quórum interpretable basado en el modelo de lenguaje...

Área de la Ciencia:

• Microbiología
• La bioinformática
• Biología computacional

Sus antecedentes:

• La detección de quórum (QS) es un mecanismo de comunicación de célula a célula que regula los comportamientos cooperativos bacterianos.
• Los péptidos sensores de quórum (QSP) son moléculas de señalización vitales, particularmente en las bacterias Gram positivas, que influyen en funciones como la virulencia y la formación de biopelículas.
• Las herramientas de predicción de QSP existentes requieren mejoras de rendimiento e interpretabilidad.

Objetivo del estudio:

• Desarrollar un modelo novedoso y de alto rendimiento para predecir los QSP.
• Mejorar la precisión y la interpretabilidad de la identificación del QSP.
• Aprovechar técnicas avanzadas de aprendizaje profundo para la predicción de moléculas de señalización bacteriana.

Principales métodos:

• Integración de modelos de lenguaje de proteínas (PLM), específicamente ESM-2, para la codificación de secuencias de péptidos.
• Aplicación de una red neuronal convolucional residual a escala múltiple (MSRes-CNN) para la extracción de características.
• Integración dinámica de características mediante un módulo de modulación de peso adaptativo (AWM) seguido de una red totalmente conectada para la clasificación.

Principales resultados:

• IQSPred-PLM logró un rendimiento predictivo excepcional en un conjunto de datos de referencia.
• Las métricas clave de rendimiento incluyen una precisión del 97.50% (ACC), un coeficiente de correlación de Matthews de 0.951 (MCC) y un área bajo la curva ROC de 0.990.
• Los estudios de caso y los análisis de interpretabilidad validaron la eficacia del modelo.

Conclusiones:

• IQSPred-PLM representa un avance significativo en la precisión e interpretabilidad de las predicciones de QSP.
• El rendimiento del modelo destaca el potencial de la integración de PLM y CNN para el análisis de secuencias biológicas.
• Esta herramienta puede ayudar a comprender la comunicación bacteriana y desarrollar intervenciones específicas.