Desafíos en la predicción de interacciones proteína-proteína de virus subestudiados: interacciones Arenavirus-humano

Área de la Ciencia:

• Virología
• Bioinformática
• Biología Computacional

Sus antecedentes:

• Comprender las interacciones proteína-proteína (IPP) virus-huésped es fundamental para descifrar los mecanismos de infección e identificar objetivos terapéuticos.
• La generalización de modelos predictivos para IPP en virus diversos y subestudiados sigue siendo un desafío importante debido a las limitaciones de datos.

Objetivo del estudio:

• Investigar los desafíos en la generalización de modelos predictivos de interacción proteína-proteína (IPP) para interacciones arenavirus-humano.
• Evaluar el impacto de las estrategias de muestreo negativo e identificar sesgos en las técnicas de evaluación de modelos estándar.
• Proponer un marco de evaluación robusto para evaluar la generalización de modelos de IPP en sistemas virales subestudiados.

Principales métodos:

• Se empleó el aprendizaje por transferencia utilizando modelos preentrenados en IPP humano-humano y virus-humano bien estudiados.
• Se curaron y evaluaron cuatro tipos de conjuntos de datos de muestreo negativo para el entrenamiento y la evaluación del modelo.
• Se utilizó la validación cruzada k-fold y las pruebas ciegas independientes en conjuntos de datos equilibrados para revelar limitaciones de rendimiento.
• Se desarrolló un marco de evaluación específico para proteínas virales que clasifica las proteínas en clases mayoritarias y minoritarias.

Principales resultados:

• Las métricas de evaluación estándar (precisión, AUPRC) pueden ser engañosas, mostrando un alto rendimiento (93-99%) debido a la fuga de datos, el sesgo y el sobreajuste, particularmente para proteínas virales subrepresentadas.
• Las pruebas ciegas independientes en conjuntos de datos equilibrados revelaron una caída de la precisión por debajo del 50%, lo que destaca la insuficiencia de los métodos estándar.
• El marco propuesto específico para proteínas virales que utiliza precisiones equilibradas demostró una evaluación más realista de la generalización del modelo.

Conclusiones:

• Las métricas de alto rendimiento en las evaluaciones estándar no garantizan modelos predictivos de IPP fiables para virus subestudiados.
• Es necesario un marco de evaluación novedoso y específico para proteínas para superar los problemas de desequilibrio de datos y sesgo.
• Este marco mejora la fiabilidad de los modelos predictivos de IPP, crucial para avanzar en la investigación sobre patógenos virales subestudiados.