Il Framework PWRules Applica Parole Proteiche per Predire il Legame di Piccole Molecole con Interpretabilità

Il framework PWRules migliora l'interpretabilità delle previsioni di legame proteina-piccola molecola individuando frammenti privilegiati di piccole molecole e stabilendo regole di accoppiamento con parole proteiche—unità semantiche di sequenza. Utilizzando dati di affinità di legame, il framework classifica le regole parola-frammento tramite la funzione PWScore per evidenziare composti attivi. Valutazioni su dataset di riferimento rivelano che PWScore performa in modo competitivo, alla pari con il modello basato sulla fisica Glide e il modello di deep learning PSICHIC. Questo framework dimostra ampia applicabilità per target proteici al di fuori del dataset di addestramento, come la proteasi principale di SARS-CoV-2. Significativamente, PWScore cattura dati di interazione complementari, mitigando la dipendenza da modelli di deep learning opachi nella scoperta di farmaci mentre integra principi ed euristiche delle interazioni proteina-ligando. Questa ricerca è stata condivisa su arXiv con identificatore 2604.16550v1, enfatizzando il miglioramento dell'interpretabilità delle previsioni di legame attraverso questo metodo innovativo.