Biosynfoni: una huella molecular ligera e interpretable informada por la biosíntesis

Área de la Ciencia:

• Química computacional
• Informática química y sus aplicaciones
• Descubrimiento de fármacos de productos naturales

Sus antecedentes:

• Los productos naturales son fuentes vitales de moléculas bioactivas.
• Las huellas moleculares actuales carecen de especificidad para las características del producto natural, lo que dificulta las predicciones precisas.
• Se necesita una mejor interpretabilidad para los modelos de aprendizaje automático específicos de productos naturales.

Objetivo del estudio:

• Desarrollar una huella molecular específica del producto natural que mejore la interpretabilidad de la predicción.
• Evaluar el rendimiento de esta nueva huella digital en comparación con los métodos establecidos.
• Permitir un mejor examen de la importancia de las características en los modelos de aprendizaje automático para productos naturales.

Principales métodos:

• Desarrollo de una nueva huella molecular, Biosynfoni, basada en bloques de construcción biosintéticos.
• Evaluación del rendimiento de Biosynfoni en la estimación de la distancia biosintética y la clasificación de los productos naturales.
• Comparación de Biosynfoni con MACCS, Morgan y las huellas digitales de Daylight.

Principales resultados:

• Biosynfoni demuestra un rendimiento superior en la estimación de la distancia biosintética en comparación con las huellas dactilares estándar.
• La huella digital Biosynfoni alcanza un rendimiento a la par con los mejores métodos para la clasificación de productos naturales.
• El diseño de Biosynfoni facilita la visualización de las subestructuras y sus orígenes biosintéticos, mejorando la interpretabilidad.

Conclusiones:

• Una huella digital específica de un producto natural que utiliza bloques de construcción biosintéticos ofrece una mayor interpretabilidad.
• Biosynfoni proporciona información valiosa sobre las estructuras de los productos naturales y su clasificación.
• Este enfoque mejora la explicabilidad de los modelos de aprendizaje automático en la investigación de productos naturales.