Het nauwkeurig voorspellen van de geneesmiddel-eiwitinteractie (DPI) is cruciaal bij virtuele geneesmiddelenscreening. De huidige methodologieën hebben echter de neiging een gelijke weging toe te kennen aan aminozuren en atomen bij het coderen van eiwit- en medicijnsequenties, waardoor de variërende bijdragen van verschillende motieven worden verwaarloosd.

Om dit probleem aan te pakken heeft een groep onderzoekers onder leiding van Juan Liu hun onderzoek gepubliceerd in Frontiers of Computer Science .

Hun onderzoek introduceerde een methode, FragDPI, voor de voorspelling van de bindingsaffiniteit tussen geneesmiddelen en eiwitten. Deze aanpak vertegenwoordigt de eerste poging om fragmentcodering op te nemen en de sequentie-informatie van zowel geneesmiddelen als eiwitten samen te voegen, waardoor de primaire kenmerken die verband houden met DPI-interacties behouden blijven. Bovendien maakt deze methode gebruik van transfer learning uit belangrijke DPI-datasets om potentiële DPI-componenten te bieden.

Experimentele resultaten tonen aan dat het FragDPI-model lovenswaardige resultaten oplevert in vergelijking met de basislijnen, inclusief diepe neurale netwerken. Intrigerend genoeg identificeerde het model nauwkeurig de specifieke interactiedelen van de DTI-paren, waardoor het hielp bij het ontdekken van nieuwe potentiële DTI-paren.

FragDPI presenteert een nieuwe aanpak voor het delven van op elkaar inwerkende fragmenten uit het DPI-mechanisme, waardoor een nieuw perspectief wordt geboden op de ontdekking van geneesmiddelen.

Meer informatie: Zhihui Yang et al, FragDPI:een nieuw voorspellingsmodel voor interactie tussen geneesmiddelen, gebaseerd op fragmentbegrip en uniforme codering, Frontiers of Computer Science (2022). DOI:10.1007/s11704-022-2163-9

Aangeboden door Frontiers Journals