El aprendizaje profundo tiene el potencial de mejorar el acoplamiento molecular al mejorar las funciones de puntuación. Los protocolos de muestreo actuales a menudo necesitan información previa para generar posturas de unión de ligando precisas, lo que limita la precisión de la función de puntuación. Dos nuevos protocolos, GLOW e IVES, desarrollados por investigadores de la Universidad de Stanford, abordan este desafío y demuestran una eficacia mejorada en el muestreo de poses. La evaluación comparativa de diversas estructuras proteicas, incluidas las generadas por AlphaFold, valida los métodos.
El aprendizaje profundo en el acoplamiento molecular a menudo se basa en conjuntos de datos rígidos de acoplamiento de proteínas, descuidando la flexibilidad de las proteínas. Si bien el acoplamiento flexible considera la flexibilidad de las proteínas, tiende a ser menos preciso. GLOW e IVES son protocolos de muestreo avanzados que abordan estas limitaciones y superan constantemente a los métodos de referencia, especialmente en zonas de unión dinámica. Es prometedor para mejorar el muestreo de la postura del ligando en el acoplamiento proteína-ligando, lo cual es crucial para mejorar las funciones de puntuación basadas en el aprendizaje profundo.
El acoplamiento molecular predice la colocación de ligandos en los sitios de unión de proteínas, lo cual es crucial para el descubrimiento de fármacos. Los métodos convencionales enfrentan desafíos a la hora de generar posturas precisas de ligandos. El aprendizaje profundo puede mejorar la precisión, pero depende de un muestreo de pose efectivo. GLOW e IVES mejoran las muestras para escenarios desafiantes, aumentando la precisión. Aplicables a estructuras proteicas predichas o sin ligandos, incluidas las generadas por AlphaFold, ofrecen conjuntos de datos seleccionados y código Python de código abierto.
GLOW e IVES son dos protocolos de muestreo de pose para el acoplamiento molecular. GLOW emplea un potencial de van der Waals suavizado para generar posturas de ligando, mientras que IVES mejora la precisión al incorporar múltiples conformaciones de proteínas. Las comparaciones de rendimiento con los métodos de referencia muestran la superioridad de GLOW e IVES. La evaluación de conjuntos de prueba mide los porcentajes de pose correcta en casos de cross-docking. La calidad de la pose de las semillas es vital para un IVES eficiente, y se utiliza la puntuación de acoplamiento de Smina y la puntuación para la selección.
GLOW e IVES superaron a los métodos de referencia en el muestreo preciso de posturas de ligandos, sobresaliendo en escenarios desafiantes y puntos de referencia AlphaFold con importantes cambios conformacionales de proteínas. La evaluación de los conjuntos de prueba confirmó su mayor probabilidad de tomar muestras de posturas correctas. IVES, que genera múltiples conformaciones de proteínas, ofrece beneficios para el aprendizaje profundo geométrico de estructuras de proteínas, logrando un rendimiento comparable al de Schrodinger IFD-MD con menos conformaciones. Se proporcionan conjuntos de datos de pose de ligando para 5000 pares de proteína-ligando generados por GLOW e IVES, lo que ayuda al desarrollo y evaluación de funciones de puntuación basadas en aprendizaje profundo en el acoplamiento molecular.
En conclusión, GLOW e IVES son dos poderosos métodos de muestreo de pose que han demostrado ser más efectivos que las técnicas básicas, particularmente en escenarios difíciles y puntos de referencia AlphaFold. Se pueden generar múltiples conformaciones de proteínas con IVES, lo cual es muy ventajoso para el aprendizaje geométrico profundo. Además, los conjuntos de datos proporcionados por GLOW e IVES, que contienen posiciones de ligando para 5000 pares de proteína-ligando, son recursos invaluables para los investigadores que trabajan en funciones de puntuación basadas en aprendizaje profundo en el acoplamiento molecular.
Revisar la Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides unirte. nuestro SubReddit de 34k+ ML, 41k+ comunidad de Facebook, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.
Si te gusta nuestro trabajo, te encantará nuestra newsletter.
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.