LiBRe: Un modelo de predicción de residuos de unión basado en secuencias consciente de ligandos para el cribado virtual

Identificar los residuos de unión proteína-ligando es fundamental para comprender el reconocimiento molecular y avanzar en el desarrollo terapéutico. Los modelos de aprendizaje profundo basados en secuencias para predecir residuos de unión proteína-ligando han ganado atención debido a su escalabilidad y su capacidad para funcionar sin depender de la información estructural. Sin embargo, la mayoría de los métodos existentes se enfocan principalmente en la información de la secuencia proteica sin considerar la información del ligando, a pesar de que los residuos de unión se definen intrínsecamente mediante interacciones con ligandos específicos. Para abordar esto, proponemos un modelo de predicción de residuos de unión basado en secuencias consciente del ligando que incorpora explícitamente tanto la información a nivel de residuo de las secuencias proteicas como la información del ligando. El modelo propuesto logró mejoras significativas en la predicción de residuos que se unen a ligandos, superando tanto a los métodos basados en secuencias existentes como a los basados en estructuras. Además, los sitios definidos por los residuos de unión predichos por nuestro modelo mostraron una afinidad de unión más fuerte y estable en comparación con las herramientas existentes. Estos resultados demuestran que nuestro modelo tiene un gran potencial para aplicaciones en cribado virtual y descubrimiento de fármacos. Nuestro código fuente está disponible públicamente en https://github.com/GoldRiver0/LiBRe.