Desarrollo y Validación Experimental de un Modelo Exhaustivo de Cribado de Hexapéptidos Basado en Aprendizaje...

Área de la Ciencia:

• Investigación biofarmacéutica
• Descubrimiento computacional de fármacos
• Inteligencia artificial en medicina

Sus antecedentes:

• Los terapéuticos peptídicos son un área en crecimiento en biofarmacéutica.
• Los métodos actuales de cribado experimental son costosos y lentos.
• Se necesitan pipelines eficientes para el descubrimiento de fármacos peptídicos.

Objetivo del estudio:

• Desarrollar un marco impulsado por IA para el cribado eficiente de hexapéptidos.
• Integrar datos de interacción física con características de secuencia para mejorar la precisión.
• Acelerar el descubrimiento de nuevos terapéuticos peptídicos.

Principales métodos:

• Se diseñó un pipeline de IA en dos etapas para el cribado exhaustivo de hexapéptidos.
• Los complejos péptido-proteína se codificaron utilizando una representación basada en fragmentos.
• Las energías de unión derivadas del acoplamiento se combinaron con un modelo transformador para aprender las relaciones secuencia-energía.

Principales resultados:

• El marco de IA logró altas tasas de aciertos en el cribado.
• Se identificaron nuevos hexapéptidos con afinidades de unión micromolares para NRP-1, STING y cGAS.
• El marco demostró robustez y generalización en diferentes dianas.

Conclusiones:

• El marco de IA cierra eficazmente la brecha entre el modelado físico y la representación de características para el descubrimiento de péptidos.
• Este enfoque acelera significativamente la identificación de posibles candidatos a fármacos peptídicos.
• El método desarrollado ofrece una herramienta poderosa para la industria biofarmacéutica.