Inteligencia artificial en la predicción del sitio de unión a las metaloproteínas: una revisión sistemática que une...

Área de la Ciencia:

• La bioquímica y la bioinformática
• Biología computacional
• Ingeniería de proteínas

Sus antecedentes:

• Las metaloproteínas son cruciales para las funciones biológicas, y la predicción del sitio de unión de metales es vital para la biotecnología y los avances farmacéuticos.
• Los métodos de predicción tradicionales se enfrentan a desafíos con la complejidad de las metaloproteínas, lo que requiere enfoques computacionales avanzados.
• El aprendizaje automático (ML) y el aprendizaje profundo (DL) ofrecen soluciones potentes para analizar datos biológicos complejos.

Objetivo del estudio:

• Revisar y evaluar sistemáticamente los modelos de aprendizaje automático y aprendizaje profundo para predecir los sitios de unión de metales en las metaloproteínas.
• Identificar las fortalezas y limitaciones de los métodos de predicción actuales basados en la IA.
• Proponer un marco para la selección de modelos apropiados basados en las características de los datos y los objetivos de investigación.

Principales métodos:

• Revisión sistemática de la literatura que se adhiere a las directrices sobre los elementos preferidos para la presentación de informes en las revisiones sistemáticas (PRISMA) y los metaanálisis.
• Análisis de modelos de aprendizaje automático basados en secuencias y estructuras, incluidos los bosques aleatorios y las redes neuronales convolucionales (CNN).
• Evaluación de las métricas de rendimiento del modelo e identificación de desafíos como el desequilibrio y la heterogeneidad de los datos.

Principales resultados:

• Los modelos de Bosque Aleatorio lograron una precisión de hasta el 99% en las predicciones basadas en secuencias.
• Las redes neuronales convolucionales (CNN) demostraron una precisión de hasta el 96% en las predicciones basadas en la estructura.
• Los desafíos identificados incluyen el desequilibrio de los datos, la subrepresentación de iones metálicos y la heterogeneidad estructural, lo que limita la generalización del modelo.

Conclusiones:

• El aprendizaje automático y los modelos de aprendizaje profundo muestran una promesa significativa para la predicción precisa del sitio de unión del metal a las metaloproteínas.
• Abordar las limitaciones de los datos es crucial para mejorar la generalización del modelo y las aplicaciones en el mundo real.
• Un marco estructurado de toma de decisiones puede guiar a los investigadores en la aplicación efectiva de la IA para la investigación y el diseño de metaloproteínas.