Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

[pLM4ACP: un modelo para predecir péptidos contra el cáncer basado en el aprendizaje automático y los modelos de lenguaje de proteínas]

Yitong Liu ¹, Wenxin Chen ¹, Juanjuan Li ¹

⁰School of Life and Health Sciences, Hainan University, Haikou 570228, Hainan, China.

Sheng Wu Gong Cheng Xue Bao = Chinese Journal of Biotechnology +

|

28 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este estudio presenta pLM4ACP, un modelo de aprendizaje automático que predice con precisión los péptidos anticancerígenos (ACP). Este enfoque impulsado por la IA mejora el descubrimiento de nuevos ACP para la terapia del cáncer, superando las limitaciones de los métodos tradicionales.

Área De La Ciencia

Biología computacional
La bioinformática
La inteligencia artificial en la medicina

Sus Antecedentes

El cáncer sigue siendo una de las principales causas de mortalidad en todo el mundo, y los tratamientos convencionales presentan riesgos para las funciones vitales de los órganos.
Los péptidos anticancerígenos (PCA) son prometedores como terapias dirigidas contra el cáncer debido a su especificidad y baja toxicidad.
Los métodos actuales de identificación de los ACP consumen mucho tiempo, son costosos y requieren un trabajo intensivo de laboratorio.

Objetivo Del Estudio

Desarrollar un modelo computacional eficiente y preciso para predecir los péptidos anticancerígenos (PCA).
Aprovechar los modelos de lenguaje de proteínas y el aprendizaje automático para mejorar la identificación ACP.
Facilitar la aplicación de la inteligencia artificial en el avance de la medicina de precisión para el tratamiento del cáncer.

Principales Métodos

Utilizó el modelo de lenguaje de proteínas ProtT5 para extraer características de péptidos anticancerígenos conocidos.
Empleó un algoritmo de clasificación de máquina vectorial de soporte (SVM) para el entrenamiento y la optimización del modelo.
El rendimiento del modelo evaluado utilizando un conjunto de ensayos independientes para evaluar la precisión, la puntuación F1, el MCC y el AUC.

Principales Resultados

El modelo pLM4ACP logró una precisión general de 0,763 en el conjunto de pruebas independientes.
El modelo demostró una alta puntuación F1 de 0,767 y un coeficiente de correlación de Matthews (MCC) de 0,527.
El área bajo la curva (AUC) alcanzó 0,827, lo que indica un buen rendimiento predictivo en comparación con otros métodos.

Conclusiones

El modelo pLM4ACP desarrollado proporciona un enfoque computacional eficiente para la predicción de péptidos contra el cáncer.
Este avance mejora la aplicación de la inteligencia artificial en el campo biomédico.
El estudio promueve el desarrollo de la medicina de precisión y la biología computacional en la investigación del cáncer.

Palabras clave:

Péptidos anticancerígenos La bioinformática Aprendizaje automático modelo de predicción Modelos de lenguaje de proteínas