DeepSEA: un enfoque explicable sin alineación para anotar las proteínas de resistencia a los antimicrobianos

Área de la Ciencia:

• La bioinformática
• Biología computacional
• La genómica

Sus antecedentes:

• La resistencia a los antimicrobianos (AMR) es un desafío crítico para la salud mundial, que supera el impacto de enfermedades como el VIH y la malaria.
• La vigilancia actual de la AMR se basa en comparaciones genómicas con umbrales de similitud altos (> 95%), lo que lleva a tasas significativas de falsos negativos debido a bases de datos de referencia incompletas.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje profundo para la identificación y clasificación precisas de las proteínas de resistencia a los antimicrobianos (AMR).
• Superar las limitaciones de los métodos tradicionales de alineación de secuencias en la vigilancia de la RAM.

Principales métodos:

• Se entrenó una red neuronal convolucional (CNN) para distinguir las proteínas AMR de las proteínas no resistentes.
• La CNN fue diseñada para clasificar las proteínas en nueve clases distintas de resistencia.
• Se analizaron los estados internos del modelo para comprender la importancia de las características en la clasificación de proteínas.

Principales resultados:

• El modelo CNN logró altos valores de recuperación (> 0,9) en todas las clases de proteínas probadas, superando a los métodos basados en la alineación.
• El modelo identificó con éxito los dominios de proteínas clave involucrados en la inactivación antimicrobiana.
• Se desarrolló una herramienta de bioinformática de código abierto, DeepSEA, para anotar proteínas de AMR.

Conclusiones:

• El aprendizaje profundo, específicamente las CNN, ofrece una alternativa superior a la alineación de secuencias para la vigilancia de proteínas AMR.
• La herramienta desarrollada proporciona información valiosa sobre los mecanismos de resistencia a los antimicrobianos y ayuda a rastrear la resistencia.
• La anotación precisa de las proteínas de resistencia a los antimicrobianos es crucial para las estrategias de salud globales eficaces.