RT Generic
T1 Ensamblaje de proteínas mediante Inteligencia Artificial y evaluación de su calidad.
T2 Protein docking using Artificial Intelligence and evaluation of its quality.
A1 Rodríguez González, Carmen
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería de la Salud - Trabajos Fin de Grado
AB Este trabajo tiene como objetivo comparar los resultados de distintas herramientasde docking proteína-ligando basadas en técnicas de aprendizaje profundoutilizando los conjuntos de pruebas propuestos en el artículo de PoseBusters, AstexDiverse Set y el PoseBusters Benchmark Set. Este conjunto de pruebas tiene encuenta la plausibilidad química y física, además de RMSD, métrica popularmenteusada para la evaluación de los resultados. Se han analizado las herramientasEQUIBIND, DeepDock, DIFFDOCK y Uni-Mol Docking V2, cada una con arquitecturasdiferentes basadas en aprendizaje profundo geométrico, modelos generativosde difusión o arquitecturas basadas en Transformers.El análisis revela diferencias significativas entre las herramientas evaluadas ylos resultados publicados en el artículo original. Uni-Mol V2 muestra un desempeñonotablemente superior al resto, ya que se trata de una versión actualizadade la herramienta a la utilizada en el artículo. DeepDock y EQUIBIND muestrandesempeños muy bajos.Este estudio recalca la necesidad de emplear métricas de evaluación robustasque consideren la validez físico-química de las configuraciones de ligandosgeneradas. Aunque algunos resultados presentan un RMSD por debajo del umbralestablecido de 2Å, muchas de estas configuraciones no son químicamente nifísicamente plausibles, lo que pone de manifiesto las limitaciones de usar exclusivamenteesta métrica
YR 2025
FD 2025
LK https://hdl.handle.net/10630/46039
UL https://hdl.handle.net/10630/46039
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 21 mar 2026