ACLPred: un modelo de ensamblaje basado en el aprendizaje automático explicable para la predicción de ligandos...

Área de la Ciencia:

• Química computacional
• Informática química y sus aplicaciones
• Aprendizaje automático en el descubrimiento de medicamentos

Sus antecedentes:

• La creciente incidencia del cáncer requiere nuevos agentes terapéuticos.
• Las pruebas de detección de drogas experimentales tradicionales consumen muchos recursos.
• El aprendizaje automático ofrece una alternativa rápida y rentable para identificar compuestos anticancerígenos.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático para predecir la actividad anticancerígena de moléculas pequeñas.
• Identificar las características moleculares clave que contribuyen a las propiedades anticancerígenas.
• Crear una herramienta accesible para que los investigadores puedan examinar posibles fármacos candidatos.

Principales métodos:

• Modelos de clasificación de entrenamiento que utilizan descriptores moleculares de compuestos anticancerosos y no anticancerosos conocidos.
• Aplicación de la selección de características en varios pasos para identificar descriptores moleculares significativos.
• Emplear y evaluar varios algoritmos de aprendizaje automático, incluida la máquina de aumento de gradiente de luz (LGBM).
• Utilizando las explicaciones aditivas de SHapley (SHAP) para la interpretabilidad del modelo.

Principales resultados:

• El modelo LGBM logró una precisión de predicción del 90,33% y un AUROC del 97,31%.
• La herramienta desarrollada, ACLPred, demostró una precisión de predicción y generalización superiores a los métodos existentes.
• El análisis SHAP indicó que las características moleculares topológicas influyeron significativamente en las predicciones del modelo.

Conclusiones:

• El aprendizaje automático, en particular el algoritmo LGBM implementado en ACLPred, proporciona un método eficaz y preciso para identificar compuestos anticancerígenos potenciales.
• ACLPred ofrece una solución de código abierto y fácil de usar para acelerar el descubrimiento de medicamentos contra el cáncer.
• Las características topológicas son cruciales para predecir la actividad anticancerosa, ofreciendo ideas para el diseño de fármacos futuros.