Evaluación del rendimiento de Boltz-2 para la clasificación de unión de aciertos de acoplamiento

Área de la Ciencia:

• Química computacional; Biología estructural; Descubrimiento de fármacos

Sus antecedentes:

• El modelo de cofildado Boltz-2 ofrece nuevas capacidades para predecir interacciones proteína-ligando.; La predicción precisa de la afinidad de unión es crucial para el descubrimiento eficiente de fármacos.; La evaluación del rendimiento del modelo en conjuntos de datos desafiantes es esencial para una aplicación fiable.

Objetivo del estudio:

• Evaluar el rendimiento del modelo de cofildado Boltz-2 en un conjunto de datos difícil de aciertos de cribado virtual ultragrande.; Investigar la fiabilidad de las predicciones de afinidad de Boltz-2 desafiándolas con perturbaciones biológicas.; Determinar si las predicciones de Boltz-2 se basan en principios físicos o en características potencialmente ocultas.

Principales métodos:

• Aplicación del modelo Boltz-2 para predecir estructuras de proteínas-ligandos y afinidades de unión.; Prueba de la capacidad de Boltz-2 para discriminar verdaderos de falsos positivos en el cribado virtual.; Evaluación de la robustez de la predicción de afinidad frente a mutaciones del objetivo y experimentos de barajado de objetivos.

Principales resultados:

• Boltz-2 superó significativamente a las funciones de puntuación existentes en la identificación de verdaderos positivos a partir de poses de acoplamiento.; Las predicciones de afinidad fueron en gran medida independientes de la calidad de la pose y la similitud química.; El rendimiento del modelo se mantuvo insensible a mutaciones clave del sitio de unión e intercambios de objetivos, lo que sugiere posibles problemas.

Conclusiones:

• Boltz-2 demuestra un fuerte rendimiento en la discriminación de poses, pero plantea preocupaciones sobre la base física de sus predicciones de afinidad.; La insensibilidad del modelo a las perturbaciones biológicas sugiere que puede depender de características no físicas.; Se necesita una mayor investigación para comprender los mecanismos subyacentes que impulsan las predicciones de afinidad de Boltz-2 para un descubrimiento de fármacos fiable.