AulePredictor: Application of DeepLearning for Protein-Metal BindingSite Prediction

Resumen

Esta tesis presenta un estudio de prueba de concepto para AulePredictor, un enfoque de aprendizaje profundo para la predicción de sitios de unión de proteínas a metales. La herramienta computacional aquí propuesta es una red neuronal convolucional (CNN) entrenada para reconocer patrones bioquímicos que indican si una proteína o una región determinada de ella es capaz de unir metales. Las posibles aplicaciones de una herramienta de este tipo incluyen facilitar la explicación de procesos fisiopatológicos o posibilitar el diseño racional de fármacos y (bio)catalizadores. Los datos necesarios para entrenar a la CNN se obtuvieron consultando tanto la base de datos MetalPDB como el Protein Data Bank (PDB) . Se generaron representaciones en 3D de las proteínas con sitios de unión a metales representativos a través de un proceso conocido como voxelización. El rendimiento del modelo en el mundo real se evaluó en un conjunto de 99 proteínas y se comparó con BioMetAll, un predictor de última generación. Los resultados demostraron la competitividad de AulePredictor, que pudo detectar una proporción similar de sitios de unión a metales que BioMetAll. Un examen cuidadoso de las predicciones mostró que AulePredictor detecta regiones de proteínas que proporcionan un entorno adecuado para la unión de metales. Por lo tanto, esta herramienta es un complemento útil para los predictores de vanguardia que se enfocan en la detección de interacciones covalentes. La generalización de este enfoque se demostró en un conjunto de 177 proteínas de unión a hemo donde AulePredictor pudo predecir más del 90% de los sitios de unión, mientras que BioMetAll solo detectado el 60%.

Fecha de lectura	jul 2022
Idioma original	Español
Supervisor	Jeandi Marechal (Director/a)