Video Experimental Relacionado
Updated: Sep 9, 2025
Author Spotlight: Advancing Cell Membrane Biophysics - Exploring Interactions and Challenges Through Experimental and Computational Approaches
Published on: September 1, 2023
Análisis comparativo sistemático de 13 métodos de IA para predecir la permeabilidad de la membrana de péptidos
Wei Liu1, Jianguo Li2,3, Chandra S Verma2,4,5
1Bioinformatics Institute, Agency for Science, Technology and Research, 30 Biopilis Street, Singapore, 138671, Singapore. liuwei@bii.a-star.edu.sg.
Los modelos de aprendizaje automático pueden predecir la permeabilidad de la membrana del péptido cíclico, ayudando al descubrimiento de fármacos. Los modelos basados en gráficos como DMPNN muestran el mejor rendimiento, mejorando la identificación de candidatos a fármacos permeables a las células.
Área de la Ciencia:
- Química computacional
- Descubrimiento de drogas
- Aprendizaje automático
Sus antecedentes:
- Los péptidos cíclicos son candidatos valiosos para la modulación de las interacciones proteína-proteína.
- La baja permeabilidad de la membrana dificulta su uso terapéutico.
- La predicción computacional de la permeabilidad puede agilizar el desarrollo de fármacos.
Objetivo del estudio:
- Para comparar modelos de aprendizaje automático para predecir la permeabilidad de la membrana del péptido cíclico.
- Evaluar diferentes representaciones moleculares y arquitecturas de modelos.
- Evaluar el rendimiento de la predicción en las tareas de regresión y clasificación.
Principales métodos:
- Se evaluaron 13 modelos de aprendizaje automático utilizando diversas representaciones moleculares (huellas dactilares, sonrisas, gráficos e imágenes).
- Se utilizaron datos de permeabilidad PAMPA para casi 6000 péptidos cíclicos de la base de datos CycPeptMPDB.
- Se emplearon estrategias de división aleatoria y de andamio para evaluar la generalizabilidad del modelo.
Principales resultados:
- El rendimiento del modelo varió significativamente en función de la representación molecular y la arquitectura.
- Los modelos basados en gráficos, especialmente la red neuronal de transmisión de mensajes dirigidos (DMPNN), demostraron un rendimiento superior.
- Las tareas de regresión generalmente arrojaron mejores resultados que las tareas de clasificación.
- La división del andamio indicó una generalización más baja que la división aleatoria.
Conclusiones:
- El aprendizaje automático, particularmente los enfoques basados en gráficos, son prometedores para predecir la permeabilidad cíclica de los péptidos.
- Los modelos actuales ofrecen un valor práctico, pero se necesitan mejoras adicionales.
- Comprender la generalización del modelo es crucial para las predicciones confiables.
