Mejora del reposicionamiento de fármacos: un modelo de conjunto multiclasE para la predicción de interacciones...

Área de la Ciencia:

• Farmacología y Bioinformática
• Descubrimiento Computacional de Fármacos

Sus antecedentes:

• La predicción precisa de interacciones fármaco-diana (DTI) es vital para el reposicionamiento de fármacos y la reducción de los costos de desarrollo farmacéutico.
• Los métodos existentes de predicción de DTI a menudo tratan las interacciones como binarias y pasan por alto los tipos de acción farmacológica y la calidad de los datos de no interacción.

Objetivo del estudio:

• Desarrollar un marco de clasificación multiclasE para la predicción de DTI, distinguiendo entre las clases de activadores, inhibidores y no acciones.
• Mejorar la diversidad y fiabilidad del conjunto de datos utilizando un novedoso algoritmo de selección de interacciones nulas basado en la similitud entre fármacos y entre proteínas.

Principales métodos:

• Extracción de características de fármacos y proteínas de DrugBank, PubChem y UniProt.
• Evaluación de diversas técnicas de selección de características y reducción de dimensionalidad (por ejemplo, PCA, Autoencoders, importancia de Random Forest).
• Comparación de estrategias de integración de características (concatenación frente a convolución) y evaluación de clasificadores, incluidos métodos de conjunto como Histogram-based Gradient Boosting (HGB) y modelos basados en grafos como HeteroGNN.

Principales resultados:

• El método de integración de características de concatenación superó a la convolución.
• Histogram-based Gradient Boosting (HGB) logró la mayor precisión predictiva general (87,90%) en el conjunto de prueba externo.
• HeteroGNN proporcionó un rendimiento más equilibrado por clases, especialmente para las clases subrepresentadas.

Conclusiones:

• El marco de clasificación multiclasE propuesto ofrece un enfoque escalable e interpretable para el reposicionamiento computacional de fármacos.
• Este marco apoya la identificación más rápida y rentable de posibles candidatos terapéuticos al mejorar la precisión y la fiabilidad de la predicción de DTI.