Decodificación de los límites del aprendizaje profundo en el acoplamiento molecular para el descubrimiento de...

Área de la Ciencia:

• Química computacional y quimioinformática
• Inteligencia artificial en el descubrimiento de medicamentos
• Biología estructural y modelado molecular

Sus antecedentes:

• El acoplamiento molecular basado en la estructura es crucial para el diseño computacional de fármacos.
• El aprendizaje profundo (DL) está revolucionando el acoplamiento, pero presenta desafíos de traducción.
• Es esencial evaluar los métodos de acoplamiento DL en comparación con los enfoques tradicionales.

Objetivo del estudio:

• Evaluar exhaustivamente los métodos de acoplamiento molecular tradicionales y basados en DL.
• Para analizar el rendimiento a través de la predicción de la postura, la plausibilidad física, la recuperación de la interacción, la eficacia del cribado virtual (VS) y la generalización.
• Identificar las limitaciones y proponer estrategias de optimización para los marcos de acoplamiento de DL.

Principales métodos:

• Análisis comparativo del acoplamiento tradicional con los paradigmas de DL (difusión generativa, regresión, híbrido).
• Evaluación a través de cinco dimensiones críticas de rendimiento: precisión, plausibilidad, recuperación, eficacia VS y generalización.
• Investigación de los mecanismos de falla y exploración de las estrategias de optimización.

Principales resultados:

• Los modelos de difusión generativa muestran una precisión de predicción de postura superior; los métodos híbridos ofrecen un rendimiento equilibrado.
• Los modelos de regresión a menudo producen posturas físicamente inverosímiles; la mayoría de los métodos DL exhiben una alta tolerancia estérica.
• Se observaron desafíos significativos de generalización, especialmente con nuevos bolsillos de unión a proteínas, lo que limita la aplicabilidad actual de DL.

Conclusiones:

• DL tiene un impacto significativo en el acoplamiento molecular, con modelos generativos que lideran la precisión.
• Los métodos actuales de DL se enfrentan a limitaciones en la plausibilidad física y la generalización, lo que dificulta una amplia aplicación.
• Se necesita más investigación para desarrollar marcos de DL sólidos y generalizables para un diseño de fármacos confiable en silicio.