BiGraph-DTA: Predicción de interacciones fármaco-diana de agentes hepatoprotectores con redes convolucionales de...

Área de la Ciencia:

• Farmacología y Química Computacional
• Biología Computacional y Descubrimiento de Fármacos

Sus antecedentes:

• La predicción precisa de la afinidad fármaco-diana (DTA) es esencial para identificar agentes hepatoprotectores eficaces para combatir las enfermedades hepáticas.
• Los métodos computacionales existentes a menudo luchan por capturar las interacciones complejas entre las moléculas de fármacos y las dianas proteicas.

Objetivo del estudio:

• Desarrollar y validar BiGraph-DTA, un modelo predictivo novedoso para la puntuación DTA de compuestos hepatoprotectores.
• Mejorar la identificación de candidatos a fármacos potenciales para la terapia de enfermedades hepáticas.

Principales métodos:

• Se utilizó una arquitectura híbrida de aprendizaje profundo que combina redes convolucionales de grafos (GCN) y redes de memoria a largo plazo bidireccionales (BiLSTM).
• Se procesaron las estructuras moleculares como grafos y las secuencias de proteínas como datos secuenciales.
• Se entrenó y evaluó el modelo en un conjunto de datos curado de 21.421 interacciones hepatoprotectoras de ChEMBL.

Principales resultados:

• BiGraph-DTA superó significativamente a los métodos de aprendizaje automático tradicionales (Random Forest, XGBoost) y a los modelos de aprendizaje profundo existentes (DeepDTA, GraphDTA).
• Logró un error cuadrático medio de 0.7885, un valor R-cuadrado de 0.7208 y un índice de concordancia de 0.8508.
• Demostró una capacidad superior para capturar dependencias e interacciones complejas para la predicción de DTA.

Conclusiones:

• El modelo BiGraph-DTA ofrece un marco robusto y basado en datos para acelerar el descubrimiento de nuevos compuestos hepatoprotectores.
• Este enfoque tiene un potencial significativo para agilizar el desarrollo de nuevas terapias para las enfermedades hepáticas.
• Destaca el poder de integrar el aprendizaje profundo de grafos y secuencial para desafíos complejos en el descubrimiento de fármacos.