LiBRe : Un modèle de prédiction des résidus de liaison basé sur la séquence et conscient des ligands pour le criblage virtuel

Identifier les résidus de liaison protéine–ligand est fondamental pour comprendre la reconnaissance moléculaire et faire progresser le développement thérapeutique. Les modèles d'apprentissage profond basés sur les séquences pour prédire les résidus de liaison protéine–ligand ont suscité de l'intérêt en raison de leur évolutivité et de leur capacité à fonctionner sans recourir à l'information structurale. Cependant, la plupart des méthodes existantes se concentrent principalement sur l'information de la séquence protéique sans prendre en compte l'information sur le ligand, bien que les résidus de liaison soient intrinsèquement définis par les interactions avec des ligands spécifiques. Pour remédier à cela, nous proposons un modèle de prédiction des résidus de liaison basé sur la séquence et conscient du ligand qui intègre explicitement à la fois l'information au niveau des résidus des séquences protéiques et l'information sur le ligand. Le modèle proposé a obtenu des améliorations significatives dans la prédiction des résidus de liaison aux ligands, surpassant à la fois les baselines existantes basées sur les séquences et sur la structure. De plus, les poches définies par les résidus de liaison aux ligands prédits par notre modèle ont conduit à une affinité de liaison plus forte et plus stable comparée aux outils existants. Ces résultats démontrent que notre modèle présente un potentiel significatif pour des applications dans le criblage virtuel et la découverte de médicaments. Notre code source est disponible publiquement sur https://github.com/GoldRiver0/LiBRe.