EvOlf: Arquitectura avanzada de aprendizaje profundo guiada por evolución para predicciones de agonistas del proteoma...

Área de la Ciencia:

• Biología computacional
• Farmacología
• Genómica

Sus antecedentes:

• Los receptores acoplados a proteínas G (GPCR) son proteínas de señalización cruciales.
• Los métodos computacionales actuales para interacciones ligando-receptor tienen limitaciones en la cobertura de receptores, la inclusión de receptores olfativos y los datos entre especies.

Objetivo del estudio:

• Presentar EvOlf, un marco de aprendizaje profundo guiado por evolución para predecir interacciones ligando-receptor.
• Superar las limitaciones de los métodos existentes integrando diversos tipos de receptores y datos extensos entre especies.

Principales métodos:

• Desarrollamos EvOlf, un marco de aprendizaje profundo que utiliza autoatención jerárquica, codificación de características multirresolución y un transformador de fusión.
• Se utilizó un conjunto de datos expansivo de 105.235 interacciones validadas experimentalmente en 24 especies de mamíferos.
• Se integraron receptores olfativos y no olfativos.

Principales resultados:

• EvOlf logró un rendimiento de vanguardia en la predicción de interacciones ligando-receptor.
• EvOlf superó significativamente a los métodos de predicción existentes en un conjunto de datos de prueba independiente.
• La validación experimental identificó tres coactivadores alostéricos novedosos para el receptor β1-adrenérgico, mejorando la señalización evocada por agonistas.

Conclusiones:

• EvOlf ofrece una plataforma robusta y escalable para la desorfanización de receptores y el descubrimiento de ligandos novedosos.
• El enfoque evolutivo del marco y el conjunto de datos completo mejoran la precisión de la predicción y la relevancia biológica.
• Los coactivadores identificados demuestran el potencial de EvOlf para la identificación de objetivos terapéuticos.