Aprendizaje profundo generativo guiado por puntos calientes para el diseño de inhibidores de PPI similares a los...

Área de la Ciencia:

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

Sus antecedentes:

• Las interacciones proteína-proteína (IPP) son objetivos terapéuticos críticos.
• El desarrollo de inhibidores de moléculas pequeñas para los IBP es un desafío debido a sus interfaces grandes y planas.
• Los métodos computacionales existentes están limitados por bibliotecas químicas y heurísticas, lo que restringe el diseño de nuevos medicamentos.

Objetivo del estudio:

• Introducir Hot2Mol, un marco generativo de aprendizaje profundo para el diseño de novo de inhibidores de PPI.
• Permitir una orientación precisa de las interfaces de los PPI utilizando las características farmacóforas de los residuos de los puntos calientes.
• Superar las limitaciones de los métodos tradicionales y explorar un nuevo espacio químico para el descubrimiento de medicamentos.

Principales métodos:

• Hot2Mol integra un transformador condicional para la generación molecular con restricciones de propiedades.
• Una red neuronal de gráficos equivalentes a E (n) asegura la alineación espacial con los farmacóforos de puntos calientes de PPI.
• Se utiliza un autoencoder variacional para el muestreo de estructuras moleculares diversas y nuevas.

Principales resultados:

• Hot2Mol supera a los modelos de última generación en cuanto a afinidad de unión, semejanza con el fármaco y novedad.
• Los compuestos generados muestran una fuerte estabilidad de unión, confirmada por simulaciones de dinámica molecular.
• Los estudios de caso demuestran el diseño de inhibidores selectivos de PPI de alta afinidad.

Conclusiones:

• Hot2Mol diseña efectivamente inhibidores de PPI específicos y similares a los medicamentos.
• El marco acelera el descubrimiento racional de fármacos para objetivos de IPP desafiantes.
• Hot2Mol representa un avance significativo en el diseño computacional de fármacos para IBP.