Nuestro marco propuesto incluye cinco módulos principales:(1) Módulo de preprocesamiento que consiste en encontrar los sitios de unión de las proteínas; (2) Módulo de aprendizaje profundo AttentionSiteDTI, donde construimos representaciones gráficas de SMILE de ligandos y sitios de unión de proteínas, y creamos una red neuronal convolucional gráfica armada con un mecanismo de agrupación de atención para extraer incrustaciones aprendibles de gráficos, así como un auto- mecanismo de atención para aprender la relación entre ligandos y sitios de unión de proteínas; (3) Módulo de predicción para predecir interacciones desconocidas en un par de fármaco-objetivo, que puede abordar tareas de clasificación y regresión; (4) Módulo de interpretación para proporcionar una comprensión más profunda de qué sitios de unión de una proteína objetivo tienen más probabilidades de unirse a un ligando determinado. (5) Validaciones en el laboratorio, donde comparamos nuestros resultados pronosticados computacionalmente con las interacciones fármaco-objetivo observadas (medidas) experimentalmente en el laboratorio para probar y validar el potencial práctico de nuestro modelo propuesto. Crédito:Briefings in Bioinformatics (2022). DOI:10.1093/bib/bbac272
Desarrollar medicamentos que salvan vidas puede llevar miles de millones de dólares y décadas de tiempo, pero los investigadores de la Universidad de Florida Central tienen como objetivo acelerar este proceso con un nuevo proceso de detección de drogas basado en inteligencia artificial que han desarrollado.
Utilizando un método que modela las interacciones entre el fármaco y la proteína diana utilizando técnicas de procesamiento del lenguaje natural, los investigadores lograron una precisión de hasta el 97 % en la identificación de candidatos a fármacos prometedores. Los resultados se publicaron recientemente en la revista Briefings in Bioinformatics .
La técnica representa las interacciones fármaco-proteína a través de palabras para cada sitio de unión de proteínas y utiliza el aprendizaje profundo para extraer las características que gobiernan las complejas interacciones entre los dos.
"Con la IA cada vez más disponible, esto se ha convertido en algo que la IA puede abordar", dice el coautor del estudio Ozlem Garibay, profesor asistente en el Departamento de Ingeniería Industrial y Sistemas de Gestión de la UCF. "Puedes probar tantas variaciones de proteínas e interacciones farmacológicas y descubrir cuáles tienen más probabilidades de unirse o no".
El modelo que han desarrollado, conocido como AttentionSiteDTI, es el primero que se puede interpretar utilizando el lenguaje de los sitios de unión a proteínas.
El trabajo es importante porque ayudará a los diseñadores de fármacos a identificar sitios críticos de unión a proteínas junto con sus propiedades funcionales, lo cual es clave para determinar si un fármaco será efectivo.
Los investigadores lograron el logro al idear un mecanismo de autoatención que hace que el modelo aprenda qué partes de la proteína interactúan con los compuestos del fármaco, mientras logran un rendimiento de predicción de última generación.
La capacidad de autoatención del mecanismo funciona enfocándose selectivamente en las partes más relevantes de la proteína.
Los investigadores validaron su modelo utilizando experimentos en el laboratorio que midieron las interacciones de unión entre compuestos y proteínas y luego compararon los resultados con los que su modelo predijo computacionalmente. Dado que los medicamentos para tratar la COVID siguen siendo de interés, los experimentos también incluyeron probar y validar compuestos de medicamentos que se unirían a una proteína espiga del virus SARS-CoV2.
Garibay dice que la alta concordancia entre los resultados de laboratorio y las predicciones computacionales ilustra el potencial de AttentionSiteDTI para preseleccionar compuestos farmacológicos potencialmente efectivos y acelerar la exploración de nuevos medicamentos y la reutilización de los existentes.
"Esta investigación de alto impacto solo fue posible gracias a la colaboración interdisciplinaria entre la ingeniería de materiales y la IA/ML y los científicos informáticos para abordar el descubrimiento relacionado con la COVID", dice Sudipta Seal, coautora del estudio y presidenta del Departamento de Ciencia e Ingeniería de Materiales de la UCF.
Mehdi Yazdani-Jahromi, estudiante de doctorado en la Facultad de Ingeniería y Ciencias de la Computación de la UCF y autora principal del estudio, dice que el trabajo está introduciendo una nueva dirección en la detección previa de drogas.
"Esto permite a los investigadores utilizar la IA para identificar medicamentos con mayor precisión para responder rápidamente a nuevas enfermedades", dice Yazdani-Jahromi. "Este método también permite a los investigadores identificar el mejor sitio de unión de la proteína de un virus para centrarse en el diseño de fármacos".
"El siguiente paso de nuestra investigación será diseñar nuevos medicamentos utilizando el poder de la IA", dice. "Este, naturalmente, puede ser el siguiente paso para estar preparado para una pandemia". Los investigadores identifican nuevos medicamentos utilizando predicciones de aprendizaje profundo interpretables
