Potencial do deep learning é analisado em estudos de docking molecular

Tipo principal do conteúdo: Pesquisa científica aplicada / tecnologia médica

Resumo jornalístico:

O PoseBench é um novo benchmark desenvolvido para avaliação sistemática de métodos de predição de estruturas de complexos proteína-ligante, incluindo abordagens convencionais e baseadas em aprendizado profundo (deep learning). Seu objetivo é fornecer à comunidade científica um recurso centralizado e padronizado para medir avanços metodológicos em diferentes contextos macromoleculares, permitindo comparações rigorosas entre algoritmos de docking e predição estrutural.

A plataforma reúne versões pré-processadas de quatro conjuntos de dados amplamente utilizados: Astex Diverse, PoseBusters Benchmark, DockGen-E e CASP15 PLI. Esses datasets abrangem desde complexos com ligantes primários comuns até desafios envolvendo múltiplos ligantes e pockets de ligação pouco representados em bases de treinamento, ampliando a diversidade e a dificuldade dos testes. Para cada conjunto, estruturas de proteínas na forma apo são previstas utilizando modelos como AF3 e ESMFold, seguidas de alinhamentos estruturais precisos com PyMOL para garantir a comparabilidade dos resultados.

PoseBench formaliza tarefas de docking cego tanto para ligantes primários quanto para múltiplos ligantes, sem fornecer informações prévias sobre os sítios de ligação, o que permite avaliar a capacidade dos métodos em identificar e modelar corretamente interações proteína-ligante. A avaliação dos resultados utiliza métricas tradicionais, como RMSD e lDDT, além de métricas inovadoras, como PLIF-EMD e PLIF-WM, que quantificam a precisão e especificidade das interações moleculares previstas em relação às estruturas nativas.

A ferramenta se destaca por sua arquitetura flexível, permitindo a inclusão de novos desafios e métricas no futuro, e por integrar métodos de validação química e estrutural automatizados. Com isso, PoseBench representa um avanço relevante para o desenvolvimento e validação de algoritmos de predição estrutural, com aplicações diretas em pesquisa biomédica, descoberta de fármacos e biotecnologia.