Aprendizaje Activo Profundo por Lotes para Modelado de Estructura de Proteínas

Área de la Ciencia:

• Biología estructural y bioinformática
• Descubrimiento y desarrollo de fármacos computacionales
• Aplicaciones de aprendizaje automático en modelado molecular

Sus antecedentes:

• La predicción precisa de la estructura molecular es crucial para la investigación farmacéutica y la comprensión de la función de las proteínas.
• Los modelos actuales de aprendizaje profundo, aunque avanzados, presentan limitaciones en la predicción de estructuras para moléculas subrepresentadas como los anticuerpos VHH.
• La determinación experimental de la estructura consume mucho tiempo y es costosa, lo que hace que la recopilación de datos a gran escala para el entrenamiento de modelos no sea práctica.

Objetivo del estudio:

• Desarrollar un método estratégico de selección de datos, DEWDROP, para mejorar el rendimiento de los modelos de predicción de estructuras moleculares mediante el ajuste iterativo.
• Abordar el desafío de los dominios moleculares subrepresentados en los conjuntos de datos de entrenamiento existentes optimizando la curación de nuevos datos experimentales.
• Permitir un rendimiento superior del modelo con iteraciones y costos reducidos maximizando el contenido de información de las estructuras seleccionadas.

Principales métodos:

• Se propuso DEWDROP, un método de selección de aprendizaje activo que utiliza el dropout de Monte Carlo para generar conjuntos de predicción para la selección óptima de datos.
• Se empleó un modelo de predicción estructurado, Equifold, basado en representaciones moleculares de grano grueso, independiente de alineaciones de secuencias múltiples.
• Se realizaron experimentos retrospectivos de ajuste iterativo y análisis de selección de lotes en anticuerpos VHH (SAbDab-nano) y proteínas de *Mycobacterium leprae* (AlphaFold Protein Database).

Principales resultados:

• DEWDROP mejoró significativamente la eficiencia del entrenamiento del modelo a través de la selección optimizada de lotes, superando a los métodos de referencia en el ajuste iterativo.
• El método identificó y seleccionó con éxito datos estructuralmente informativos con alto contenido de información, crucial para mejorar la precisión de la predicción.
• Se demostró la efectividad y aplicabilidad más amplia de DEWDROP en diferentes dominios moleculares más allá de los anticuerpos VHH.

Conclusiones:

• DEWDROP ofrece un enfoque independiente del modelo para la selección estratégica de datos en biología estructural, particularmente beneficioso para familias moleculares subrepresentadas.
• La estrategia de aprendizaje activo mejora la eficiencia y la rentabilidad de la mejora de los modelos de aprendizaje profundo para la predicción de estructuras moleculares.
• Este método facilita un rendimiento superior del modelo al maximizar el valor de los datos estructurales experimentales recién adquiridos.