PocketStruct: Integración de características estructurales de bolsillo de proteínas para la predicción de unión...

Área de la Ciencia:

• Biología computacional
• Descubrimiento de fármacos
• Bioinformática estructural

Sus antecedentes:

• Los péptidos ofrecen baja toxicidad y pequeñas interfaces de unión, lo que los convierte en candidatos a fármacos prometedores.
• La predicción de la unión péptido-proteína es crucial para el desarrollo de fármacos.
• Los métodos actuales a menudo se basan únicamente en la información de la secuencia, lo que podría pasar por alto información estructural clave.

Objetivo del estudio:

• Evaluar el impacto de la integración de información estructural de bolsillo de proteínas en los modelos de predicción de unión péptido-proteína.
• Comparar el rendimiento de diferentes codificadores estructurales dentro de un marco unificado.
• Evaluar la solidez de los modelos conscientes de la estructura en datos novedosos.

Principales métodos:

• Desarrolló un marco basado en transformadores con atención mutua para integrar datos estructurales de bolsillo de proteínas.
• Se compararon sistemáticamente tres codificadores de estructura de bolsillo: SE(3)-Transformer, ProtGVP (red neuronal de grafos geométricos) y ESM-IF1 (modelo preentrenado a gran escala basado en estructura).
• Se empleó una partición de datos rigurosa con una separación estricta de los conjuntos de entrenamiento y prueba.

Principales resultados:

• La incorporación de información estructural de bolsillo mejoró consistentemente la precisión de la predicción de unión sobre los modelos basados únicamente en secuencias.
• ProtGVP demostró representaciones de bolsillo particularmente efectivas.
• Las variantes del modelo basadas en la estructura mostraron una solidez superior al predecir la unión en datos previamente no vistos.

Conclusiones:

• La estructura de bolsillo de proteínas es una característica vital para mejorar la precisión de la predicción de unión péptido-proteína.
• Los modelos de aprendizaje profundo geométrico como ProtGVP muestran una promesa significativa para representar información estructural.
• Los modelos conscientes de la estructura ofrecen una generalización y solidez mejoradas para aplicaciones de descubrimiento de fármacos.