Integración del aumento de datos y el aprendizaje profundo basado en BERT para predecir los inhibidores de la...

Área de la Ciencia:

• Química computacional
• Farmacología
• La bioinformática

Sus antecedentes:

• La diabetes mellitus es un problema de salud mundial exacerbado por la obesidad y la inactividad.
• Los inhibidores de la alfa-glucosidasa se buscan como agentes terapéuticos para el tratamiento de la diabetes.
• Los productos naturales ofrecen una vía prometedora para el descubrimiento de nuevos inhibidores de enzimas.

Objetivo del estudio:

• Identificar los inhibidores potentes de la alfa-glucosidasa mediante el aprendizaje profundo y el aumento de datos.
• Evaluar la eficacia de los modelos de aprendizaje profundo aumentados en el descubrimiento de fármacos.
• Investigar el 3-O-xilósido de actaeaepoxide como un compuesto antidiabético potencial.

Principales métodos:

• Generó diversas cadenas SMILES y aplicó técnicas de aumento de datos.
• Modelos de aprendizaje profundo previamente entrenados (por ejemplo, PC10M-450k) de Hugging Face.
• Se han realizado simulaciones de acoplamiento molecular y dinámica molecular para el análisis de la estabilidad.

Principales resultados:

• El modelo PC10M-450k demostró un rendimiento superior en la identificación de inhibidores.
• El 3-O-xilósido de actaeaepoxide fue identificado como un potente inhibidor de la alfa-glucosidasa.
• Las simulaciones confirmaron una interacción enzima-compuesto estable y una alta probabilidad de inhibición en comparación con la acarbosa.

Conclusiones:

• Actaeaepoxide 3-O-xyloside es un candidato prometedor para el tratamiento de la diabetes.
• El aumento de datos y los modelos preentrenados aceleran significativamente el descubrimiento de fármacos en silico.
• Este enfoque ofrece una vía para desarrollar soluciones terapéuticas más efectivas para la diabetes.