Ensamblaje de proteínas mediante Inteligencia Artificial y evaluación de su calidad.

Abstract

Este trabajo tiene como objetivo comparar los resultados de distintas herramientas de docking proteína-ligando basadas en técnicas de aprendizaje profundo utilizando los conjuntos de pruebas propuestos en el artículo de PoseBusters, Astex Diverse Set y el PoseBusters Benchmark Set. Este conjunto de pruebas tiene en cuenta la plausibilidad química y física, además de RMSD, métrica popularmente usada para la evaluación de los resultados. Se han analizado las herramientas EQUIBIND, DeepDock, DIFFDOCK y Uni-Mol Docking V2, cada una con arquitecturas diferentes basadas en aprendizaje profundo geométrico, modelos generativos de difusión o arquitecturas basadas en Transformers. El análisis revela diferencias significativas entre las herramientas evaluadas y los resultados publicados en el artículo original. Uni-Mol V2 muestra un desempeño notablemente superior al resto, ya que se trata de una versión actualizada de la herramienta a la utilizada en el artículo. DeepDock y EQUIBIND muestran desempeños muy bajos. Este estudio recalca la necesidad de emplear métricas de evaluación robustas que consideren la validez físico-química de las configuraciones de ligandos generadas. Aunque algunos resultados presentan un RMSD por debajo del umbral establecido de 2Å, muchas de estas configuraciones no son químicamente ni físicamente plausibles, lo que pone de manifiesto las limitaciones de usar exclusivamente esta métrica