Predicción más precisa de la afinidad de unión utilizando homología de proteínas y aprendizaje por transferencia...

Área de la Ciencia:

• Química computacional
• Descubrimiento de fármacos
• Bioinformática

Sus antecedentes:

• La predicción precisa de las afinidades de unión proteína-ligando es crucial para el descubrimiento eficiente de fármacos.
• La evaluación de grandes bibliotecas químicas y moléculas novedosas de modelos generativos exige métodos rápidos y precisos.
• Los métodos existentes pueden enfrentar desafíos de escalabilidad y precisión para conjuntos de datos diversos.

Objetivo del estudio:

• Desarrollar y validar UCBind, un marco computacional híbrido para la predicción eficiente y precisa de las afinidades de unión proteína-ligando.
• Integrar un módulo de aprendizaje por transferencia basado en la similitud con un módulo de predicción de aprendizaje profundo.
• Evaluar el rendimiento de UCBind en diversos conjuntos de datos de referencia relevantes para el descubrimiento de fármacos.

Principales métodos:

• UCBind emplea un enfoque híbrido, que combina un módulo de transferencia basado en la similitud con un módulo de predicción de aprendizaje profundo.
• Se transfieren datos experimentales de pares de proteínas y ligandos de referencia similares cuando están disponibles.
• Se utiliza el módulo de aprendizaje profundo cuando no existen datos de referencia suficientemente similares.
• El rendimiento se comparó en los conjuntos de datos CASF-2016, HiQBind (post-2020) y la base de datos COVID Moonshot.

Principales resultados:

• UCBind logró un rendimiento predictivo de última generación en múltiples conjuntos de datos de referencia.
• El marco demostró una precisión superior para las entradas de prueba con alta similitud con pares de proteínas y ligandos de referencia.
• Las ganancias de rendimiento fueron particularmente notables para las proteínas y ligandos de referencia bien caracterizados.

Conclusiones:

• UCBind ofrece una solución eficiente y precisa para predecir las afinidades de unión proteína-ligando en el descubrimiento de fármacos.
• El marco híbrido aprovecha eficazmente los datos existentes a través del aprendizaje por transferencia y el aprendizaje profundo.
• UCBind muestra potencial para respaldar tareas computacionales posteriores, incluida la predicción y clasificación de sitios de unión.