Aprovechamiento de Diferentes Funciones de Distancia para Predecir Péptidos Antivirales con Aprendizaje Profundo...

Área de la Ciencia:

• Química computacional
• Bioinformática
• Descubrimiento de fármacos

Sus antecedentes:

• El aprendizaje automático acelera el descubrimiento de fármacos basados en péptidos.
• Los marcos de aprendizaje de grafos utilizan grafos de estructura de péptidos.
• Los métodos actuales se basan en umbrales de distancia euclidiana sin una fuerte evidencia.

Objetivo del estudio:

• Investigar diversas funciones de distancia para la generación de grafos de estructura de péptidos.
• Entrenar modelos de aprendizaje profundo de grafos para la predicción de péptidos antivirales utilizando estos grafos.

Principales métodos:

• Analizar la cercanía de los aminoácidos utilizando diversas funciones de distancia.
• Comparar los grafos derivados basados en diferentes métricas de distancia y grafos aleatorios.
• Entrenar y evaluar modelos de aprendizaje profundo de grafos con representaciones de grafos óptimas.

Principales resultados:

• Diferentes funciones de distancia crean grafos disimilares que codifican distintos espacios químicos.
• Estos grafos alternativos mejoran el poder discriminatorio de los modelos predictivos.
• Se realizaron comparaciones de rendimiento con modelos de vanguardia.

Conclusiones:

• La distancia euclidiana es insuficiente para una representación integral del grafo de estructura de péptidos.
• El empleo de funciones de distancia variadas produce estructuras de grafo superiores.
• Las representaciones de grafos optimizadas conducen a modelos mejorados de predicción de péptidos antivirales.