msCNN-PLM-FAD: Predicción mejorada de sitios de unión a FAD mediante la representación del lenguaje de proteínas...

Área de la Ciencia:

• Bioquímica
• Biología Computacional
• Genómica

Sus antecedentes:

• La clasificación de los sitios de unión a FAD es fundamental para comprender las enfermedades asociadas a flavoproteínas.
• Los métodos existentes para la predicción de sitios de unión a FAD tienen limitaciones, lo que requiere enfoques mejorados.

Objetivo del estudio:

• Desarrollar un modelo computacional preciso para predecir sitios de unión a FAD en proteínas de transporte de electrones.
• Aprovechar modelos de lenguaje de proteínas (PLM) preentrenados y redes neuronales convolucionales (CNN) para una mejor predicción.

Principales métodos:

• Se utilizó una técnica de extracción de características de ventana deslizante combinada con incrustaciones del PLM ESM.
• Se desarrolló el modelo msCNN-PLM-FAD que integra el escaneo de ventanas basado en CNN con incrustaciones de PLM.
• Se entrenó y validó el modelo en un conjunto de datos de 12.850 muestras.

Principales resultados:

• El modelo msCNN-PLM-FAD logró un alto rendimiento, con un AUC de 0.9614 y MCC de 0.7491.
• Demostró un rendimiento superior en métricas de equilibrio de clases, especificidad (0.9836) y precisión (0.9795), manteniendo la sensibilidad (0.8704).
• Superó a estudios previos de predicción de sitios de unión a FAD.

Conclusiones:

• El modelo msCNN-PLM-FAD mejora significativamente la precisión de la predicción de sitios de unión a FAD.
• Este avance puede acelerar el desarrollo de fármacos para enfermedades relacionadas con la deficiencia de FAD.
• Potencial para terapias dirigidas contra la síntesis de FAD bacteriana sin afectar la salud humana.