AOP-DRL: Un marco de aprendizaje profundo de representación para la predicción computacional de péptidos...

Área de la Ciencia:

• Bioquímica
• Bioinformática
• Inteligencia Artificial

Sus antecedentes:

• El oxígeno molecular genera especies reactivas de oxígeno (ROS), que causan estrés oxidativo y daño celular.
• Los péptidos antioxidantes combaten las ROS, pero su identificación mediante métodos tradicionales es un desafío debido a problemas de escalabilidad.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo escalable, rentable y de alto rendimiento para la predicción de péptidos antioxidantes.
• Superar las limitaciones de los métodos actuales para identificar péptidos antioxidantes, particularmente en lo que respecta a las longitudes variables de péptidos y las interacciones complejas de residuos.

Principales métodos:

• Se desarrolló el aprendizaje profundo de representación de péptidos antioxidantes (AOP-DRL), un marco de aprendizaje profundo que integra modelos de lenguaje de proteínas y redes convolucionales jerárquicas.
• Se utilizó un conjunto de datos de entrenamiento de secuencias antioxidantes validadas experimentalmente y controles negativos de repositorios públicos.
• Se emplearon protocolos estándar de partición de datos de proteómica redox para una evaluación sólida del modelo.

Principales resultados:

• AOP-DRL demostró una precisión y capacidades de generalización superiores en comparación con los modelos de vanguardia en diversos conjuntos de datos.
• Se lograron mejoras de precisión del 7,26 %, 2,57 %, 2,59 % y 4,20 % en los subconjuntos P60, P70, P80 y P90, respectivamente.
• El marco maneja eficazmente longitudes de péptidos variables y captura interacciones de residuos no lineales.

Conclusiones:

• AOP-DRL proporciona una alternativa rentable y escalable a los métodos experimentales para identificar péptidos antioxidantes.
• Este enfoque impulsado por la IA acelera el descubrimiento de péptidos terapéuticos y nutracéuticos.
• La adaptabilidad del marco sugiere un potencial para aplicaciones más amplias en la predicción de péptidos bioactivos para la medicina personalizada y los alimentos funcionales.