RoberDTA/DTI

Reconocer la interaccion farmaco-objetivo (DTI) es una tarea crucial en el descubrimiento de farmacos in silico, que es costoso y requiere mucho tiempo debido al gran alcance de la busqueda de posibles farmacos en un amplio espacio de compuestos farmacologicos. Los ultimos anos han sido testigos de estrategias prometedoras de prediccion de DTI basadas en el aprendizaje profundo. Adicionalmente, las tareas de aprendizaje de regresion pueden acercarse a la prediccion de afinidad farmaco-objetivo (DTA) ofreciendo mas interpretacion biologica. Ademas, la arquitectura Transformer basada en modelos de atencion y las tecnicas de aprendizaje transferido han despertado interes en la prediccion de la DTI. Sin embargo, hasta donde sabemos, hay pocos trabajos implementando Transformer pre-entrenados. Proponemos una arquitectura totalmente basada en Transformers (RobertDTA/DTI) para explorar los efectos de los modelos de atencion y transferencia de aprendizaje para la prediccion del DTI/DTA. RobertDTA/DTI se evalua con datos experimentales presentando un rendimiento alto en comparacion con modelos de base de ultima generacion, sin perder interpretabilidad molecular en sus resultados. Este trabajo proporciona una nueva linea de base de modelos moleculares basados en Transformer y arquitecturas pre-entrenadas para la prediccion de DTI.