Uma técnica de aprendizagem profunda baseada em redes convolucionais temporais separáveis ​​para descobrir medicamentos antivirais

Scientific Reports volume 13, Artigo número: 13722 (2023) Citar este artigo

2985 acessos

5 Altmétrico

Detalhes das métricas

Um número alarmante de mortes causadas pela pandemia da COVID-19 forçou a comunidade científica a acelerar o processo de descoberta de medicamentos terapêuticos. Neste sentido, a colaboração entre cientistas biomédicos e especialistas em inteligência artificial (IA) levou ao desenvolvimento de uma série de ferramentas in silico para a triagem inicial de moléculas terapêuticas. Todos os organismos vivos produzem peptídeos antivirais (AVPs) como parte da sua primeira linha de defesa contra vírus invasores. O modelo Deep-AVPiden proposto neste artigo e seu aplicativo web correspondente, implantado em https://deep-avpiden.anvil.app, é um esforço para descobrir novos AVPs em proteomas de organismos vivos. Além do Deep-AVPiden, um modelo computacionalmente eficiente chamado Deep-AVPiden (DS) também foi desenvolvido usando a mesma rede subjacente, mas com convoluções separáveis ​​por pontos. Os modelos Deep-AVPiden e Deep-AVPiden (DS) apresentam precisão de 90% e 88%, respectivamente, e ambos têm precisão de 90%. Além disso, os modelos propostos foram comparados estatisticamente por meio do teste t de Student. Ao comparar os modelos propostos com os classificadores do estado da arte, constatou-se que eles são muito melhores que eles. Para testar o modelo proposto, identificamos alguns AVPs nas proteínas de defesa natural de plantas, mamíferos e peixes e descobrimos que eles tinham similaridade de sequência apreciável com alguns peptídeos antimicrobianos validados experimentalmente. Estas AVPs podem ser sintetizadas quimicamente e testadas quanto à sua atividade antiviral.

A descoberta de novos medicamentos antimicrobianos que matam ou inibem agentes patogénicos potencialmente fatais está a atrair muita atenção devido à incapacidade e ineficiência dos antibióticos convencionais. No entanto, é pertinente que a nova classe de terapêutica tenha alta eficácia, atividade de amplo espectro e poucos ou nenhum efeito colateral na saúde humana. Nessa direção, medicamentos podem ser desenvolvidos utilizando peptídeos antimicrobianos (AMPs), que são parte integrante da primeira linha de defesa natural dos organismos vivos. Hoje em dia, a análise e modelagem de AMPs usando aprendizado de máquina/profundo ganhou impulso1,2,3,4,5,6,7. Técnicas de modelagem de sequências baseadas em aprendizado profundo, como redes neurais recorrentes (RNNs), redes de memória de longo e curto prazo (LSTM), redes convolucionais temporais (TCNs)8,9, etc., podem ser efetivamente usadas para desenvolver modelos robustos para classificar e descubra novos peptídeos terapêuticos como AMPs, peptídeos anticâncer10,11, etc., em proteomas de várias formas de vida. Observe que a modelagem sequencial é uma técnica que dá entrada e saída de dados sequenciais, que podem ser na forma de texto, áudio, vídeo, etc. Para isso, a RNN foi desenvolvida como uma arquitetura de aprendizado profundo para capturar dependências entre as unidades de um determinado sequência para fazer previsões. No entanto, ele não consegue capturar dependências de longo alcance entre essas unidades devido ao problema do gradiente evanescente. Os LSTMs foram propostos como uma melhoria em relação aos RNNs, pois superam esse problema usando um mecanismo de gate (portas de entrada, saída e de esquecimento) para lembrar a correlação entre as unidades em um longo intervalo. No entanto, os LSTMs requerem mais memória que os RNNs para armazenar resultados parciais. Além disso, os modelos baseados em RNN e LSTM funcionam sequencialmente, de modo que as unidades de uma determinada sequência (também conhecidas como intervalos de tempo) não podem ser processadas em paralelo. No entanto, tais deficiências não estão presentes nos TCNs. Os cálculos realizados por esta arquitetura de aprendizagem profunda podem ser facilmente distribuídos e paralelizados em sistemas de processamento multi-core e também não consomem muita memória.

Vários modelos foram construídos para classificar peptídeos antivirais (AVPs) usando esses algoritmos de aprendizagem profunda. Observe que os AVPs são uma subclasse de AMPs que têm como alvo o hospedeiro contra vírus invasores, direcionando-os ou às células hospedeiras para inibir a replicação viral. Algumas AVPs são virucidas porque inibem a proteína viral fora da célula hospedeira ou competem pelo sítio de ligação na membrana celular do hospedeiro12. Em contraste, alguns outros interferem em diferentes estágios do ciclo de vida viral, como expressão genética viral, replicação, etc. Curiosamente, numerosos AVPs estão presentes nos proteomas de mamíferos, plantas, peixes e outros organismos vivos. Uma família de AVPs chamados ciclotídeos encontrados em plantas impede que uma ampla gama de vírus humanos, como o vírus da imunodeficiência humana (HIV)13, H1N114 e dengue15, se liguem à membrana celular do hospedeiro. O Cecropin-A derivado de uma mariposa atua contra o HIV suprimindo sua expressão genética. Da mesma forma, uma família de peptídeos antimicrobianos (AMPs) conhecidos como dermaseptinas encontrados nas rãs do gênero Phyllomedusa demonstraram potencial virucida contra o HIV-116. Falando em AVPs derivadas de organismos marinhos, uma classe de peptídeos conhecidos como clavaninas inibe a virulência do vírus herpes simplex (HSV), rotavírus e adenovírus17.