Hacia modelos predictivos generalizables para las bibliotecas codificadas en ADN

Área de la Ciencia:

• Descubrimiento de Drogas Descubrimiento de Drogas
• Química computacional es la química computacional.
• Biotecnología La biotecnología es la biotecnología.

Sus antecedentes:

• Las bibliotecas codificadas por ADN (DEL) combinadas con el aprendizaje automático (ML) presentan un enfoque poderoso para la identificación de éxitos en el descubrimiento de fármacos.
• Los datos de secuenciación de los DEL pueden ser ruidosos y sesgados, lo que lleva a modelos de ML que se ajustan demasiado a bibliotecas químicas específicas.

Objetivo del estudio:

• Evaluar críticamente las capacidades y limitaciones de DEL-ML para la identificación de aciertos.
• Para ilustrar los desafíos en DEL-ML utilizando datos de selección de afinidad de Aurora Kinasa A (AURKA).
• Proponer estrategias para construir modelos DEL-ML robustos.

Principales métodos:

• Revisión de las metodologías DEL-ML existentes.
• Análisis de los datos de selección de afinidad de la Aurora Kinasa A (AURKA) DEL.
• Evaluación de las estrategias de desnudez y técnicas de adaptación de dominio.

Principales resultados:

• Los modelos estándar de aprendizaje automático a menudo no se generalizan a nuevos espacios químicos debido a restricciones estructurales específicas de la biblioteca.
• Los datos de secuenciación ruidosos y sesgados tienen un impacto significativo en el rendimiento del modelo DEL-ML.
• Las restricciones estructurales específicas en las bibliotecas combinatorias limitan la generalización del modelo.

Conclusiones:

• Las estrategias de denuncia rigurosas son esenciales para que el DEL-ML sea efectivo.
• Técnicas como la adaptación de dominio pueden ayudar a mitigar las limitaciones y mejorar la robustez del modelo.
• Se propone una hoja de ruta para desarrollar modelos DEL-ML capaces de explorar eficazmente diversos espacios químicos.