CAMA-DTI: una arquitectura Mamba potenciada por atención interdominio para la predicción interpretable de DTI

Área de la Ciencia:

• Biología Computacional
• Descubrimiento de Fármacos
• Inteligencia Artificial

Sus antecedentes:

• La predicción de la interacción fármaco-diana (DTI) es crucial para acelerar el descubrimiento de fármacos.
• Los métodos de IA existentes para la predicción de DTI tienen limitaciones para modelar interacciones asimétricas, integrar contextos locales y globales, y preservar patrones espaciales.
• Estas limitaciones dificultan la precisión y la exhaustividad de los enfoques actuales de predicción de DTI.

Objetivo del estudio:

• Proponer CAMA-DTI, un marco de extremo a extremo diseñado para superar las limitaciones de los métodos existentes de predicción de DTI impulsados por IA.
• Mejorar la precisión y la eficiencia de la predicción de la interacción fármaco-diana a través de innovaciones arquitectónicas novedosas.
• Validar el rendimiento del marco en diversos conjuntos de datos y su utilidad en escenarios de desarrollo de fármacos del mundo real.

Principales métodos:

• Desarrolló un módulo de atención bidireccional interdominio para canales de interacción dinámicos y de doble perspectiva y refinamiento de características coevolutivas.
• Incorporó un bloque de fusión impulsado por Mamba que utiliza modelado de espacio de estados para integrar patrones de unión locales con contextos biológicos globales.
• Reemplazó los clasificadores convencionales con Redes de Kolmogorov-Arnold (KANs) que presentan transformaciones adaptativas de splines para preservar eficientemente las firmas de interacción multiescala.

Principales resultados:

• CAMA-DTI demostró predicciones de DTI robustas y precisas en varios conjuntos de datos, superando a los métodos de vanguardia.
• El marco mantuvo un rendimiento constante en conjuntos de datos de diferentes escalas, lo que indica escalabilidad.
• Los estudios de caso confirmaron la utilidad práctica de CAMA-DTI en los procesos de desarrollo de fármacos.

Conclusiones:

• CAMA-DTI aborda eficazmente las limitaciones clave en la predicción de DTI impulsada por IA a través de su arquitectura innovadora.
• El marco propuesto ofrece un avance significativo en la predicción de interacciones fármaco-diana, contribuyendo a la aceleración del descubrimiento de fármacos.
• CAMA-DTI muestra aplicabilidad práctica y potencial para escenarios de desarrollo de fármacos del mundo real.