Pequeños datos, grandes desafíos: estrategias de aprendizaje automático y profundo para el descubrimiento de fármacos...

Área de la Ciencia:

• Química computacional
• Farmacología
• Bioinformática

Sus antecedentes:

• El proceso de descubrimiento y desarrollo de fármacos (DDD) se ve obstaculizado significativamente por la escasez de datos experimentales de alta calidad, un problema común debido a los altos costos, el tiempo y la confidencialidad.
• Los algoritmos estándar de aprendizaje automático (ML) y aprendizaje profundo (DL) luchan con conjuntos de datos pequeños, lo que genera desafíos en la extracción de características y la generalización del modelo.
• Las revisiones existentes sobre IA en el descubrimiento de fármacos a menudo pasan por alto los desafíos específicos que plantea la limitación de datos en todo el proceso de DDD.

Objetivo del estudio:

• Abordar el desafío crítico de los datos limitados en el proceso de descubrimiento y desarrollo de fármacos (DDD).
• Examinar las tareas clave de descubrimiento de fármacos donde la escasez de datos es prevalente.
• Sintetizar estrategias tanto de ML tradicional como de DL avanzado adaptadas específicamente para conjuntos de datos pequeños en DDD.

Principales métodos:

• Revisión de la literatura existente sobre aplicaciones de IA en el descubrimiento de fármacos, centrándose en el problema de los datos pequeños.
• Análisis de las limitaciones de los modelos tradicionales de ML y DL cuando se aplican a conjuntos de datos pequeños.
• Identificación y categorización de métodos de ML y DL diseñados para superar la escasez de datos en diversas tareas de DDD.

Principales resultados:

• Los datos limitados son un problema generalizado en múltiples etapas del proceso de descubrimiento y desarrollo de fármacos (DDD).
• Los métodos tradicionales de ML son adecuados para datos pequeños pero carecen de capacidad de representación, mientras que los métodos de DL corren el riesgo de sobreajuste.
• Las estrategias de DL adaptadas y los enfoques de ML tradicionales extendidos muestran una gran promesa para manejar conjuntos de datos pequeños en DDD.

Conclusiones:

• Abordar el problema de los datos pequeños es crucial para avanzar en la IA en el descubrimiento y desarrollo de fármacos.
• La integración de aplicaciones específicas de la tarea con innovaciones metodológicas es clave para desarrollar modelos de IA robustos y generalizables.
• La investigación futura debe centrarse en la creación de soluciones de IA interpretables y confiables que aprovechen de manera efectiva los datos limitados en DDD.