CMMSCL-DPI: aprendizaje contrastivo multiestructural y trans-modal para predecir las interacciones fármaco-proteína

Área de la Ciencia:

• Biología computacional Biología computacional.
• Descubrimiento de Drogas Descubrimiento de Drogas
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La predicción precisa de las interacciones fármaco-proteína (DPI) es crucial para el descubrimiento de fármacos.
• Los modelos actuales de aprendizaje profundo se enfrentan a desafíos en la utilización de datos de fármacos / proteínas multiestructurales y multimodales para una mejor predicción de DPI.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para mejorar la predicción de DPI.
• Para aprovechar eficazmente las características estructurales multidimensionales y los datos de interacción de redes heterogéneas.

Principales métodos:

• Se propuso CMMSCL-DPI, un modelo de aprendizaje multiestructural de contraste intermodal.
• Aprendizaje contrastante aplicado para separar las características estructurales multidimensionales de los fármacos y las proteínas.
• Características de interacción integradas de una red de gráficos heterogéneos de interacción fármaco-proteína para el aprendizaje intermodal.

Principales resultados:

• CMMSCL-DPI demostró un rendimiento superior en cuatro conjuntos de datos de referencia en comparación con cinco modelos de última generación.
• El modelo capturó efectivamente las similitudes y diferencias entre los fármacos y las proteínas, mejorando la generalización para los nuevos pares de fármacos objetivo.
• Se identificó con éxito una nueva interacción fármaco-proteína no reportada, posteriormente validada por simulaciones de dinámica molecular de todos los átomos.

Conclusiones:

• El estudio valida la alta precisión predictiva de CMMSCL-DPI para las interacciones fármaco-proteína.
• CMMSCL-DPI muestra un potencial significativo para descubrir nuevas interacciones proteína-ligando en las tuberías de descubrimiento de fármacos.