Integración de modelos de lenguaje de proteínas y aprendizaje profundo geométrico para la mejora de la predicción de...

Área de la Ciencia:

• Inmunología y Vacunología
• Biología Computacional y Bioinformática
• Investigación de Enfermedades Infecciosas

Sus antecedentes:

• El desarrollo de vacunas se basa en la identificación de antígenos diana eficaces de los patógenos.
• La selección manual de antígenos es un proceso que consume mucho tiempo y es propenso a sesgos.
• La inteligencia artificial ofrece un enfoque prometedor para optimizar el descubrimiento de antígenos.

Objetivo del estudio:

• Desarrollar y validar un marco de IA, PLGDL, para predecir antígenos vacunales protectores.
• Integrar características de secuencia y estructura de proteínas para mejorar la precisión de la predicción de antígenos.
• Demostrar la utilidad del marco en la identificación de antígenos para diversos patógenos, incluida la viruela del mono.

Principales métodos:

• Desarrollo del marco PLGDL que combina Modelos de Lenguaje de Proteínas y Aprendizaje Profundo Geométrico.
• Uso de datos de secuencia de aminoácidos primarios y datos estructurales 3D de antígenos.
• Validación del modelo en diversos conjuntos de datos construidos y públicos que abarcan virus, bacterias y patógenos eucariotas.

Principales resultados:

• El marco PLGDL demostró un rendimiento sólido en varios tipos de patógenos.
• El modelo identificó con éxito antígenos protectores conocidos.
• Se descubrió un nuevo antígeno protector, G10R, para el virus de la viruela del mono durante el brote en curso.

Conclusiones:

• PLGDL proporciona una herramienta impulsada por IA de alto rendimiento para el cribado rápido de antígenos vacunales protectores.
• El uso sinérgico del lenguaje de proteínas y el aprendizaje profundo geométrico reduce el sesgo y mejora la predicción.
• Esta metodología ofrece avances significativos para el desarrollo acelerado de vacunas contra enfermedades infecciosas emergentes.