R2eGIN: Red de isomorfismo de gráficos mejorados por reconstrucción residual para la predicción precisa de los inhibidores de la poli (ADP-ribosa) polimerasa

Área de la Ciencia:

• Química computacional
• Descubrimiento de drogas
• Inteligencia artificial en la medicina

Sus antecedentes:

• La predicción de los inhibidores de la poli-ADP-ribosa (PARPi) es crucial para el tratamiento del cáncer.
• Los modelos de red neuronal de gráficos (GNN) existentes luchan por capturar información espacial y contextual atómica completa.
• La integración de descriptores moleculares con representaciones gráficas puede dar lugar a redundancia de datos o pérdida de integridad estructural.

Objetivo del estudio:

• Desarrollar un modelo avanzado de GNN para una mejor predicción de PARPi.
• Abordar las limitaciones en la captura de relaciones espaciales e información contextual en gráficos moleculares.
• Proponer un nuevo modelo que integre representaciones gráficas sin redundancia de información.

Principales métodos:

• Se introdujo el modelo de red de isomorfismo de gráfico mejorado de reconstrucción residual (R2eGIN).
• Empleado un GIN residual para aprender representaciones moleculares y capturar dependencias de largo alcance.
• Incorporó un bloque de reconstrucción para predecir y refinar las propiedades de los gráficos (matrices de adyacencia, características de los nodos).

Principales resultados:

• R2eGIN demostró un rendimiento comparable o superior en comparación con siete modelos de última generación en cuatro conjuntos de datos PARPi.
• El modelo captura efectivamente información espacial y contextual compleja en las estructuras moleculares.
• La validación experimental confirmó la precisión predictiva del modelo para PARPi.

Conclusiones:

• R2eGIN ofrece un avance significativo en la predicción de PARPi.
• La capacidad del modelo para representar con precisión las estructuras moleculares mejora las tuberías de descubrimiento de fármacos.
• R2eGIN tiene el potencial de acelerar la reutilización de medicamentos, reduciendo el tiempo y el costo en el desarrollo farmacéutico.