Enfoque Multi-Modal Profundo para la Predicción y Clasificación de la Función de Proteínas

Las proteínas juegan un papel crucial en diversas actividades bioquímicas, lo que hace que la predicción precisa de la clase y función de las proteínas sea crítica. La predicción precisa de la función de las proteínas es fundamental en la biología computacional para el entendimiento biológico. Confiar únicamente en una modalidad para la predicción de la función de las proteínas limita la capacidad del modelo para capturar la imagen completa de la proteína, lo que puede llevar a predicciones inexactas. Este artículo aborda estos desafíos y presenta un modelo de aprendizaje automático para la predicción precisa de la clase de proteínas, aprovechando la secuencia de proteínas, la estructura secundaria y la información de interacción. El modelo logra una notable precisión del 100% en la predicción de la clase de proteínas, destacando la efectividad de los datos multimodales. Adicionalmente, la predicción de la notación GO genera altas precisiones del 96% para Procesos Biológicos (BP), 97% para Componentes Celulares (CC) y 98% para Funciones Moleculares (MF). Estos resultados demuestran los beneficios del aprendizaje multimodal en la captura de las intrincadas relaciones dentro de las funciones de las proteínas, permitiendo una anotación más precisa de la función de las proteínas y, en última instancia, conduciendo a la caracterización y aplicaciones posteriores en la investigación biomédica.