GastroDL-Fusion: vereint Protein‑Ligand‑ und Gensequenzen für Medikamente

Ein neues Deep‑Learning‑Framework namens GastroDL‑Fusion wurde vorgestellt, das die Vorhersage der Bindungsaffinität von Protein‑Ligand‑Komplexen für Magen‑Darm‑Erkrankungen beschleunigt. Durch die Kombination von strukturellen und genetischen Informationen soll die Entwicklung von Medikamenten und Impfstoffen effizienter gestaltet werden.

Die genaue Vorhersage der Bindungsaffinität ist ein entscheidender Schritt in der Arzneimittelforschung. Traditionelle Modelle nutzen meist ausschließlich strukturelle Daten und vernachlässigen damit die genetischen Faktoren, die die Krankheitsmechanismen und Therapieantworten beeinflussen. GastroDL‑Fusion schließt diese Lücke, indem es Protein‑Ligand‑Komplexe als molekulare Graphen darstellt und mit einem Graph Isomorphism Network (GIN) verarbeitet.

Gene, die mit gastrointestinalen Erkrankungen in Verbindung stehen, werden durch einen vortrainierten Transformer (ProtBERT/ESM) in biologisch sinnvolle Embeddings umgewandelt. Die beiden Modalitäten – strukturelle Graphen und genetische Embeddings – werden anschließend über ein mehrschichtiges Perzeptron zusammengeführt, um eine robuste Cross‑Modal‑Interaktion zu ermöglichen.

In Tests an Benchmark‑Datensätzen für Magen‑Darm‑Zielproteine erzielte GastroDL‑Fusion einen mittleren absoluten Fehler (MAE) von 1,12 und einen quadratischen Fehler (RMSE) von 1,75. Diese Werte übertrafen deutlich die Leistungen von CNN‑, BiLSTM‑, GIN‑ und reinen Transformer‑Modellen. Die Ergebnisse zeigen, dass die Integration von strukturellen und genetischen Merkmalen die Vorhersagegenauigkeit signifikant steigert.

GastroDL‑Fusion demonstriert damit, dass ein multimodaler Ansatz die Entwicklung von Wirkstoffen für gastrointestinale Erkrankungen zuverlässiger machen kann. Die Technologie bietet ein vielversprechendes Werkzeug für die schnelle Identifizierung potenzieller Therapeutika und Impfstoffkandidaten.