El aprendizaje automático interpretable racionaliza la inhibición de la anhidrasa carbónica a través de la predicción...

Área de la Ciencia:

• La bioquímica es la bioquímica.
• Química computacional es la química computacional.
• Farmacología Farmacología.

Sus antecedentes:

• Las isoformas IX y XII de anhidrasa carbónica humana (hCA) son objetivos anticancerígenos clave.
• La inhibición selectiva es un desafío debido a la similitud estructural con el hCA II, que puede causar efectos secundarios.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático interpretable para predecir y guiar la inhibición selectiva de las isoformas II, IX y XII de hCA.
• Mejorar la interpretabilidad molecular y la cuantificación de la incertidumbre para el diseño racional de medicamentos.

Principales métodos:

• Curaduría rigurosa de datos y evaluación comparativa sistemática de modelos de aprendizaje clásico y profundo.
• Integración de la predicción conforme para la cuantificación de la incertidumbre.
• Aplicación de explicaciones contrafácticas para la interpretabilidad molecular.

Principales resultados:

• Las máquinas vectoriales de soporte con huellas dactilares de conectividad extendida superaron a los modelos complejos, destacando la calidad de los datos.
• La predicción conforme permitió una rigurosa estimación de la actividad.
• El análisis contrafactual identificó características estructurales clave, particularmente la región de la cola, que rigen la selectividad de la isoforma.

Conclusiones:

• El marco desarrollado proporciona una guía interpretable para el diseño de inhibidores selectivos de la hCA.
• La región de la cola es un determinante crítico para diferenciar la actividad inhibidora entre las isoformas de hCA.
• El software CAInsight facilita el cribado virtual y el diseño generativo de inhibidores selectivos de la hCA.