LiBRe: Um Modelo de Predição de Resíduos de Ligação Baseado em Sequência e Consciente do Ligante para Triagem Virtual

Identificar resíduos de ligação proteína–ligante é fundamental para desvendar o reconhecimento molecular e avançar no desenvolvimento terapêutico. Modelos de deep learning baseados em sequência para prever resíduos de ligação proteína–ligante ganharam atenção devido à sua escalabilidade e capacidade de operar sem depender de informações estruturais. Contudo, a maioria dos métodos existentes foca principalmente na informação da sequência da proteína sem considerar a informação do ligante, mesmo que resíduos de ligação sejam inerentemente definidos através das interações com ligantes específicos. Para abordar isso, propomos um modelo de predição de resíduos de ligação baseado em sequência e consciente do ligante que incorpora explicitamente tanto informações ao nível do resíduo da sequência da proteína quanto informações do ligante. O modelo proposto alcançou melhorias significativas na predição de resíduos de ligação ao ligante, superando tanto os métodos baseados em sequência quanto os baseados em estrutura existentes. Além disso, os bolsões definidos pelos resíduos de ligação ao ligante previstos por nosso modelo apresentaram uma afinidade de ligação mais forte e estável em comparação com ferramentas existentes. Esses resultados demonstram que nosso modelo apresenta potencial significativo para aplicações em triagem virtual e descoberta de fármacos. Nosso código-fonte está disponível publicamente em https://github.com/GoldRiver0/LiBRe.