PepGraphormer: un marco de aprendizaje profundo híbrido ESM-GAT para la predicción de péptidos antimicrobianos

Área de la Ciencia:

• Biología computacional
• Bioinformática
• Descubrimiento de fármacos

Sus antecedentes:

• Los métodos tradicionales de predicción de péptidos antimicrobianos (AMP) tienen dificultades con las complejas relaciones secuencia-función.
• Los Modelos de Lenguaje Grandes (LLM) como ESM2 se destacan en la extracción de características profundas de secuencias de proteínas.
• Las Redes Neuronales de Grafos (GNN), específicamente las Redes de Atención de Grafos (GAT), capturan las relaciones entre residuos.

Objetivo del estudio:

• Proponer PepGraphormer, un modelo de fusión novedoso para mejorar la predicción de AMP.
• Integrar la extracción de características semánticas de ESM2 con las capacidades de aprendizaje estructural de GAT.
• Avanzar en los métodos computacionales para el descubrimiento de péptidos terapéuticos.

Principales métodos:

• Construcción de un grafo heterogéneo con secuencias de péptidos y aminoácidos como nodos.
• Aprovechamiento de ESM2 para incrustaciones de nodos iniciales y predicciones directas.
• Utilización de GAT para aprender representaciones basadas en grafos y capturar patrones compositivos.
• Fusión de las predicciones de ESM2 y GAT para la clasificación final.

Principales resultados:

• PepGraphormer supera significativamente a los modelos de última generación en múltiples conjuntos de datos de predicción de AMP.
• El modelo demuestra una excelente precisión y estabilidad en la predicción de péptidos antimicrobianos.
• Los experimentos de ablación y generalización confirman la efectividad y robustez del marco.

Conclusiones:

• PepGraphormer ofrece un nuevo y potente enfoque para la predicción de AMP al combinar LLM y GAT.
• El modelo captura eficazmente complejas relaciones secuencia-función sin requerir información estructural 3D.
• Este marco de fusión presenta una vía prometedora para acelerar el descubrimiento de nuevos péptidos terapéuticos.