StackNAFLD: Un conjunto de aprendizaje de apilamiento preciso dirigido al tratamiento de la NAFLD

Área de la Ciencia:

• Informática biomédica
• Química computacional
• Descubrimiento de drogas

Sus antecedentes:

• La enfermedad hepática grasa no alcohólica (NAFLD) presenta mecanismos fisiopatológicos complejos, lo que hace que el tratamiento sea un desafío.
• La predicción de moléculas para inhibir la progresión de la NAFLD requiere enfoques computacionales avanzados.

Objetivo del estudio:

• Desarrollar y validar un modelo de conjunto de apilamiento basado en el aprendizaje automático (ML) para predecir los agentes inhibidores de la NAFLD.
• Identificar las características moleculares clave asociadas con la inhibición de la NAFLD.

Principales métodos:

• Se recogieron 75 agentes de estudios preclínicos, clasificándolos como inductores o inhibidores.
• Calculó 12 huellas moleculares y entrenó tres modelos ML de referencia.
• Desarrolló un modelo de conjunto de apilamiento entrenado en predicciones de línea de base y validado utilizando validación cruzada de 5 veces y LOOCV.

Principales resultados:

• El modelo de ensamblaje de apilamiento demostró un rendimiento superior al de los modelos de referencia en la predicción de la actividad inhibidora de la NAFLD.
• Se validó el dominio de robustez y aplicabilidad del modelo, asegurando predicciones confiables.
• Las características moleculares clave, incluidos los anillos carboxílicos, alceno y aromáticos, se identificaron como influyentes.

Conclusiones:

• El aprendizaje por ensamblaje de apilamiento ofrece un método eficaz para mejorar la predicción de propiedades moleculares en la investigación de la EHGNA.
• El modelo desarrollado y el software asociado están disponibles en GitHub para apoyar la tubería de descubrimiento de fármacos.