diPaRIS: Predicción dinámica e interpretable de las interacciones proteína-ARN con una red en forma de U y una nueva...

Área de la Ciencia:

• Biología molecular
• Biología computacional
• La genómica

Sus antecedentes:

• Las interacciones proteína-ARN son cruciales para los procesos biológicos y las enfermedades.
• Los métodos computacionales existentes luchan por capturar las correlaciones de nucleótidos dentro de las estructuras de ARN.
• La predicción precisa de estas interacciones es esencial para comprender la función genética y la enfermedad.

Objetivo del estudio:

• Desarrollar un método de aprendizaje profundo, diPaRIS, para predecir las interacciones dinámicas proteína-ARN.
• Mejorar la precisión y la interpretabilidad de las predicciones de la interacción proteína-ARN.
• Integrar la información estructural del ARN in vivo para mejorar el poder predictivo.

Principales métodos:

• Desarrolló diPaRIS, un modelo de aprendizaje profundo que utiliza una arquitectura de red en forma de U.
• Se introdujo un nuevo esquema de codificación para los datos SHAPE-seq para capturar correlaciones de nucleótidos.
• Estructuras de ARN integradas in vivo para una representación completa.

Principales resultados:

• diPaRIS demostró un rendimiento superior en 44 conjuntos de datos, logrando una alta precisión, AUC, AUPR y puntuaciones F1.
• El modelo sobresalió en las predicciones de líneas celulares cruzadas, superando a los métodos existentes.
• Se han generado análisis interpretables, incluidos motivos de vinculación de secuencias y mapas de atribución.

Conclusiones:

• diPaRIS predice con precisión las interacciones dinámicas proteína- ARN y mejora la interpretabilidad.
• El método proporciona información sobre los patrones de unión conservados y la interpretación funcional de las variantes genéticas.
• Los hallazgos facilitan la comprensión de las asociaciones entre genes y enfermedades en enfermedades complejas.