Red de pirámide reequilibrada de doble granularidad desacoplada para la predicción de interacciones fármaco-diana

Área de la Ciencia:

• Química computacional
• Bioinformática
• Descubrimiento de fármacos

Sus antecedentes:

• La predicción de interacciones fármaco-diana (DTI) es crucial para el descubrimiento de fármacos, pero enfrenta desafíos debido a las diferencias de tamaño entre los fármacos y las proteínas, lo que dificulta la predicción precisa de los sitios de unión.
• El desequilibrio de modalidades en el aprendizaje de sesgos puede socavar la efectividad de las representaciones multimodales en la predicción de DTI.

Objetivo del estudio:

• Proponer DDGR-DTI, un marco novedoso que aborda los desafíos en la predicción de DTI, específicamente la identificación de sitios de unión y el desequilibrio de modalidades.
• Mejorar la precisión y la capacidad de generalización de los modelos de predicción de DTI.

Principales métodos:

• El DDGR-DTI propuesto utiliza un Marco de Doble Granularidad Desacoplado, que divide la tarea de DTI en niveles macro (subtareas basadas en modalidades) y micro (representación dentro de la subtarea).
• Se emplea un módulo de atención de doble flujo para interacciones a nivel de subestructura de grano fino para identificar con precisión los sitios de unión.
• Se utiliza una Red de Pirámide Reequilibrada (RPN) para mitigar el desequilibrio de modalidades en la fusión multimodal a través de la agregación jerárquica.

Principales resultados:

• DDGR-DTI demostró un rendimiento superior en comparación con los modelos existentes de última generación en pruebas de referencia.
• El modelo mostró un rendimiento de predicción mejorado y una capacidad de generalización en la predicción de interacciones fármaco-diana.
• El marco abordó eficazmente los desafíos relacionados con la identificación de sitios de unión y el desequilibrio de modalidades.

Conclusiones:

• DDGR-DTI ofrece un avance significativo en la predicción de interacciones fármaco-diana al manejar eficazmente las diferencias de tamaño y el desequilibrio de modalidades.
• El marco propuesto mejora la precisión y la confiabilidad de la predicción de DTI, facilitando pipelines de descubrimiento de fármacos más eficientes.
• El código fuente y el conjunto de datos están disponibles públicamente, lo que promueve la investigación y el desarrollo futuros en el campo.