LiSENCE: una red codificadora híbrida de ligandos y secuencias para predecir inhibidores de CYP450 en una administración segura de múltiples fármacos
Autores: Atwereboannah, Abena Achiaa; Wu, Wei-Ping; Yussif, Sophyani B.; Abdullah, Muhammed Amin; Tenagyei, Edwin K.; Ukuoma, Chiagoziem C.; Gu, Yeong Hyeon; Al-antari, Mugahed A.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
LiSENCE: una red codificadora híbrida de ligandos y secuencias para predecir inhibidores de CYP450 en una administración segura de múltiples fármacos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Interacciones medicamentosas
Citocromo P450
Inhibidores de CYP450
LiSENCE
Inteligencia artificial
Modelos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Las interacciones adversas entre medicamentos a menudo surgen de la inhibición de la enzima citocromo P450 (CYP450), que es vital para el metabolismo. La identificación precisa de los inhibidores de CYP450 es crucial, pero los modelos actuales de aprendizaje automático luchan por evaluar la importancia de entradas clave como los SMILES de los ligandos y las secuencias de proteínas, limitando sus conocimientos biológicos. El estudio propuesto desarrolló LiSENCE, un marco de inteligencia artificial (IA) para identificar inhibidores de CYP450. Su objetivo era mejorar la precisión de la predicción y proporcionar conocimientos biológicos, mejorando el desarrollo de medicamentos y la seguridad de los pacientes en relación con las interacciones entre medicamentos: El innovador marco de IA LiSENCE comprendía cuatro módulos: la Red Codificadora de Ligandos (LEN), la Red Codificadora de Secuencias (SEN), el módulo de clasificación y el módulo de explicabilidad (XAI). El LEN y el SEN, como canalizaciones de aprendizaje profundo, extraen características de alto nivel de las cadenas de ligandos de medicamentos y de las secuencias de objetivos de proteínas CYP, respectivamente. Estas características se combinan para mejorar el rendimiento de la predicción, con el módulo XAI proporcionando interpretaciones biológicas. Los datos fueron subcontratados de tres bases de datos: cadenas SMILES de ligandos/compuestos de las bases de datos PubChem y ChEMBL y secuencias de objetivos de proteínas del Banco de Datos de Proteínas (PDB) para cinco isoformas de CYP: 1A2, 2C9, 2C19, 2D6 y 3A4. El modelo alcanza una precisión promedio del 89.2%, con el LEN y el SEN contribuyendo con 70.1% y 63.3%, respectivamente. El rendimiento de evaluación registra 97.0% de AUC, 97.3% de especificidad, 92.2% de sensibilidad, 93.8% de precisión, 83.3% de puntuación F1 y 87.8% de MCC. LiSENCE supera a los modelos de referencia en la identificación de inhibidores, ofreciendo una valiosa interpretabilidad a través del análisis de mapas de calor, lo que ayuda a avanzar en la investigación del desarrollo de medicamentos.
Descripción
Las interacciones adversas entre medicamentos a menudo surgen de la inhibición de la enzima citocromo P450 (CYP450), que es vital para el metabolismo. La identificación precisa de los inhibidores de CYP450 es crucial, pero los modelos actuales de aprendizaje automático luchan por evaluar la importancia de entradas clave como los SMILES de los ligandos y las secuencias de proteínas, limitando sus conocimientos biológicos. El estudio propuesto desarrolló LiSENCE, un marco de inteligencia artificial (IA) para identificar inhibidores de CYP450. Su objetivo era mejorar la precisión de la predicción y proporcionar conocimientos biológicos, mejorando el desarrollo de medicamentos y la seguridad de los pacientes en relación con las interacciones entre medicamentos: El innovador marco de IA LiSENCE comprendía cuatro módulos: la Red Codificadora de Ligandos (LEN), la Red Codificadora de Secuencias (SEN), el módulo de clasificación y el módulo de explicabilidad (XAI). El LEN y el SEN, como canalizaciones de aprendizaje profundo, extraen características de alto nivel de las cadenas de ligandos de medicamentos y de las secuencias de objetivos de proteínas CYP, respectivamente. Estas características se combinan para mejorar el rendimiento de la predicción, con el módulo XAI proporcionando interpretaciones biológicas. Los datos fueron subcontratados de tres bases de datos: cadenas SMILES de ligandos/compuestos de las bases de datos PubChem y ChEMBL y secuencias de objetivos de proteínas del Banco de Datos de Proteínas (PDB) para cinco isoformas de CYP: 1A2, 2C9, 2C19, 2D6 y 3A4. El modelo alcanza una precisión promedio del 89.2%, con el LEN y el SEN contribuyendo con 70.1% y 63.3%, respectivamente. El rendimiento de evaluación registra 97.0% de AUC, 97.3% de especificidad, 92.2% de sensibilidad, 93.8% de precisión, 83.3% de puntuación F1 y 87.8% de MCC. LiSENCE supera a los modelos de referencia en la identificación de inhibidores, ofreciendo una valiosa interpretabilidad a través del análisis de mapas de calor, lo que ayuda a avanzar en la investigación del desarrollo de medicamentos.