RGTFormer: Predecir la resistencia a múltiples fármacos asociada a la mutación en Mycobacterium tuberculosis...

Área de la Ciencia:

• La genómica es la genómica.
• Biología computacional Biología computacional.
• Estudios de resistencia a las drogas Estudios de resistencia a las drogas.

Sus antecedentes:

• La tuberculosis (TB) plantea un importante desafío para la salud mundial, exacerbado por el aumento de la resistencia a múltiples medicamentos.
• La resistencia a los medicamentos en la tuberculosis a menudo se deriva de mutaciones específicas en los genes objetivo, lo que requiere una predicción temprana para un tratamiento efectivo.

Objetivo del estudio:

• Desarrollar y evaluar RGTFormer, un nuevo modelo de aprendizaje profundo para predecir la resistencia a los medicamentos impulsada por mutación en la TB.
• Para evaluar el rendimiento del modelo con respecto a los métodos existentes utilizando datos de secuencia y mutación estructural.

Principales métodos:

• Desarrolló RGTFormer, integrando un transformador de puerta categórico con una red convolucional de gráfico relacional (RGCN).
• Se utilizó la secuencia y las características estructurales de mutaciones en seis genes clave de resistencia a los medicamentos contra la tuberculosis.
• Empleado 10 veces la validación cruzada y un conjunto de pruebas independientes para la evaluación rigurosa.

Principales resultados:

• RGTFormer logró una alta precisión: 98.67% en el conjunto de pruebas y 97.15% a través de la validación cruzada.
• El modelo superó el rendimiento del aprendizaje automático tradicional y otros enfoques de aprendizaje profundo.
• Los estudios de ablación validaron la contribución sinérgica del RGCN y los mecanismos de atención cerrada.

Conclusiones:

• RGTFormer ofrece un marco robusto, interpretable y eficiente para predecir la resistencia a los medicamentos de la TB basado en mutaciones.
• El modelo muestra el potencial para el tratamiento personalizado de la TB y la optimización de la selección de fármacos para las cepas resistentes.
• Las predicciones biológicamente interpretables de RGTFormer pueden informar la toma de decisiones clínicas.