Predicción de la afinidad proteína-ligando a través de la divergencia de Jensen-Shannon de las trayectorias de...

Área de la Ciencia:

• Química computacional
• Descubrimiento de drogas
• Modelado molecular

Sus antecedentes:

• Predecir la afinidad de unión proteína-ligando es crucial para el descubrimiento de fármacos.
• Los métodos existentes como Yasuda et al. (2022) utilizan la dinámica molecular (DM) pero son computacionalmente costosos.
• La ausencia de datos experimentales puede conducir a una mala interpretación de los signos de correlación.

Objetivo del estudio:

• Desarrollar una alternativa computacionalmente eficiente para Yasuda et al. Es el método de predicción de la afinidad de unión.
• Reducir el costo computacional asociado con las simulaciones de MD y el aprendizaje profundo.
• Mejorar la fiabilidad de las predicciones de afinidad vinculante, especialmente sin datos experimentales.

Principales métodos:

• Sustitución de la estimación de similitud basada en el aprendizaje profundo con la divergencia de Jensen-Shannon (JS).
• Se han reducido a la mitad los tiempos de simulación de dinámica molecular.
• Utilizado AutoDock Vina para las estimaciones de la energía libre de unión gruesa (ΔG) para predecir los signos de correlación.

Principales resultados:

• Reducción significativa del tiempo de cálculo al eliminar el aprendizaje profundo.
• Se logró una precisión comparable con tiempos de simulación de producción reducidos a la mitad.
• Propuso con éxito un método para predecir el signo de correlación utilizando AutoDock Vina.

Conclusiones:

• La divergencia de Jensen-Shannon ofrece una alternativa computacionalmente eficiente para la predicción de la afinidad vinculante.
• Los tiempos de simulación reducidos mantienen la precisión de la predicción.
• El método propuesto mejora la fiabilidad de las predicciones de afinidad vinculante en el descubrimiento de fármacos.