Predicción y clasificación de residuos naturales y no naturales en péptidos penetrantes de células usando un modelo BERT pre-entrenado

Resumen

Introducción: Los péptidos penetrantes de células (PPCs) son aminoácidos que transportan carga molecular a través de las membranas celulares, haciéndolos útiles en la administración de fármacos, terapia génica, vacunas y más. Pueden cruzar bicapas lipídicas, mejorar la administración de vacunas y mejorar la respuesta inmune. El aprendizaje automático puede mejorar el descubrimiento de fármacos al predecir PPCs, mejorar los sistemas de administración de fármacos y personalizar la medicina. Objetivo: Nuestro objetivo es predecir y clasificar residuos naturales y no naturales de péptidos penetrantes de células utilizando un modelo BERT pre-entrenado. Métodos: El estudio utilizó una base de datos curada de más de 1.564 péptidos penetrantes de células experimentales validados con residuos naturales y no naturales. Los conjuntos de datos se limpiaron y extrajeron utilizando la identificación de encabezados FASTA y la coincidencia de expresiones regulares. Las secuencias extraídas se estandarizaron a mayúsculas y basadas en la longitud, lo que resultó en 1.547 secuencias positivas y 286 negativas. El estudio utilizó un vocabulario numérico para segmentar aminoácidos y elementos y un transformador BERT para convertir secuencias en vectores densos. El modelo se entrenó utilizando un protocolo de bucle estructurado, que incluye la iteración de épocas y el cálculo de la pérdida. Resultados: El modelo de clasificación para distinguir residuos no nativos y nativos se evalúa utilizando métricas de precisión, recuperación, puntuación F1 y soporte. El modelo comprende fuertemente ambas clases, minimizando los falsos positivos, y tiene un buen equilibrio entre precisión y sensibilidad. Su precisión general es del 86%, con un rendimiento consistente en ambas clases. Conclusión: Un modelo de bioinformática de péptidos y proteínas con una precisión del 86% distingue los residuos nativos y no nativos. Sin embargo, enfrenta limitaciones como el desequilibrio del conjunto de datos y el sobreajuste. Los desarrollos futuros mejorarán el equilibrio de datos, las técnicas de modelado avanzadas y los conocimientos biológicos.

Recibido: 27/02/2025
Aceptado: 06/03/2025