Notícias

Oct 24, 2023

DEDTI versus IEDTI: modelos eficientes e preditivos de drogas

Relatórios Científicos volume 13,

Scientific Reports volume 13, Número do artigo: 9238 (2023) Citar este artigo

Detalhes das métricas

O reaproveitamento de medicamentos é uma área ativa de pesquisa que visa diminuir o custo e o tempo de desenvolvimento de medicamentos. A maioria desses esforços está preocupada principalmente com a previsão de interações droga-alvo. Muitos modelos de avaliação, desde a fatoração de matrizes até redes neurais profundas mais avançadas, surgiram para identificar tais relações. Alguns modelos preditivos são dedicados à qualidade da predição e outros são dedicados à eficiência dos modelos preditivos, por exemplo, geração de incorporação. Neste trabalho, propomos novas representações de drogas e alvos úteis para mais previsões e análises. Usando essas representações, propomos dois modelos indutivos de redes profundas de IEDTI e DEDTI para previsão de interação droga-alvo. Ambos utilizam o acúmulo de novas representações. O IEDTI tira proveito do tripleto e mapeia os recursos de similaridade acumulados de entrada em vetores correspondentes de incorporação significativa. Em seguida, ele aplica um modelo preditivo profundo a cada par droga-alvo para avaliar sua interação. O DEDTI usa diretamente os vetores de características de similaridade acumulada de drogas e alvos e aplica um modelo preditivo em cada par para identificar suas interações. Fizemos uma simulação abrangente no conjunto de dados DTINet, bem como nos conjuntos de dados padrão-ouro, e os resultados mostram que o DEDTI supera o IEDTI e os modelos de última geração. Além disso, realizamos um estudo de docking em novas interações previstas entre dois pares alvo-fármaco, e os resultados confirmam a afinidade de ligação alvo-fármaco aceitável entre os dois pares previstos.

A descoberta de novos medicamentos consome enormes quantias de dinheiro e requer uma longa investigação sem garantia de sucesso1. Para superar esses desafios, os métodos computacionais de descoberta de drogas são cada vez mais usados ​​para identificar interações droga-alvo (DTIs) desconhecidas e ocultas para tratar várias doenças. O reaproveitamento computacional de medicamentos é um marco na identificação de novas indicações para medicamentos atualmente comercializados contra alvos de interesse. A principal ideia por trás das estratégias computacionais de reaproveitamento de drogas é baseada no fato de que compostos semelhantes podem compartilhar propriedades semelhantes (conhecido como culpa por associação)2,3. Existem três abordagens principais para realizar a previsão computacional de DTIs4. A abordagem baseada em ligantes é a primeira e é usada quando informações limitadas sobre o alvo estão disponíveis. Essas abordagens baseiam-se no conceito de que compostos semelhantes têm propriedades semelhantes e interagem com proteínas semelhantes. Em outras palavras, os resultados previstos dessas abordagens dependem completamente do número de ligantes conhecidos por proteína, portanto, sua confiabilidade pode ser afetada por uma proporção insuficiente de ligantes por proteína5,6,7,8,9. A segunda abordagem é a abordagem baseada em docking, que usa as estruturas 3D de um ligante e um receptor para avaliar a afinidade de ligação entre eles10. A abordagem de docking molecular sofre com a falta de estruturas 3D suficientes de ligantes e receptores11. A terceira abordagem promissora, a abordagem quimiogenômica, foi definida como a identificação e descrição de todas as moléculas possíveis que podem interagir com quaisquer alvos terapêuticos, portanto, permite que os pesquisadores abordem a questão da previsão de proteínas fora do alvo para candidatos terapêuticos12,13. Essa abordagem tenta evitar as desvantagens dos métodos mencionados acima, encontrando as correlações entre o espaço químico do ligante e o espaço genômico da proteína14. As abordagens quimiogenômicas podem ser classificadas em cinco tipos: (1) Modelos de vizinhança, (2) Modelos locais bipartidos, (3) Modelos de difusão em rede, (4) Modelos de fatoração de matrizes e (5) Modelos de classificação baseados em recursos4. A fatoração de matrizes é um dos métodos popularmente usados ​​na predição de DTI15. Os métodos de fatoração de matrizes16 manipulam os DTIs e tentam encontrar uma representação latente de cada droga e de cada alvo16,17,18. Apesar das muitas vantagens desse método, a fatoração de matrizes sofre de várias desvantagens. Por exemplo, a fatoração de matrizes usa o produto interno linear de dois vetores. Consequentemente, não é a melhor solução para prever a interação ou relação da droga e do alvo. Como resultado, sugerimos evitar a fatoração de matriz linear convencional no reaproveitamento de medicamentos. Os autores mencionaram os problemas dos métodos de fatoração de matrizes em outro trabalho19.