Predicción alostérica mediante redes neuronales convolucionales y características estructurales y dinámicas de...

Área de la Ciencia:

• Bioquímica
• Biología Computacional
• Aprendizaje Automático

Sus antecedentes:

• La alosteria regula la función de las proteínas mediante la modulación de sitios distales, vital para los procesos celulares.
• La predicción de estados alostéricos ayuda a la anotación funcional y al desarrollo de fármacos al permitir la focalización específica de sitios alostéricos.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje automático para predecir estados funcionales alostéricos de proteínas.
• Utilizar la proteína KRas, implicada en el cáncer, como sistema modelo para esta predicción.

Principales métodos:

• Se emplearon redes neuronales convolucionales (CNN), específicamente GoogLeNet y ResNet18, para el aprendizaje supervisado.
• Se utilizaron características estructurales y dinámicas (distancias interatómicas, mapas de contacto, covarianza, información mutua) como entradas similares a imágenes para las CNN.
• Se ajustaron arquitecturas de CNN preentrenadas para clasificar KRas en estados activos o inactivos.

Principales resultados:

• Los mapas de contacto atómico demostraron ser la característica estructural más eficaz para la predicción.
• La información mutua linealizada superó a la covarianza en la captura de correlaciones dinámicas relevantes.
• Los modelos lograron una precisión de validación significativa, y los mapas de contacto atómico alcanzaron hasta un 90 % de precisión.

Conclusiones:

• El aprendizaje profundo que integra reordenamientos estructurales globales y movimiento correlacionado puede predecir de manera confiable los estados alostéricos de las proteínas.
• Este enfoque ofrece un marco prometedor para comprender la regulación alostérica.
• Los hallazgos respaldan el desarrollo de terapias dirigidas mediante la predicción precisa de los estados funcionales de las proteínas.