Desarrollo de modelos de aprendizaje automático para identificar compuestos potencialmente activos contra la...

Área de la Ciencia:

• Química computacional y bioinformática
• Descubrimiento y desarrollo de fármacos
• Aprendizaje automático en química medicinal.

Sus antecedentes:

• La tuberculosis (TB) sigue siendo una crisis de salud mundial, exacerbada por cepas multirresistentes (MDR) y ultrarresistentes (XDR).
• La necesidad urgente de nuevos candidatos a fármacos contra la TB requiere estrategias eficientes de identificación de leads.
• El aprendizaje automático ofrece herramientas potentes para acelerar el proceso de descubrimiento de fármacos.

Objetivo del estudio:

• Explorar la aplicación de algoritmos de aprendizaje automático para identificar compuestos potenciales contra la TB.
• Desarrollar y evaluar modelos de clasificación para predecir la actividad de los compuestos contra los objetivos de la TB.
• Interpretar la contribución de los descriptores moleculares a la bioactividad utilizando métodos de IA explicable.

Principales métodos:

• Se utilizó un conjunto de datos de 23.791 moléculas de la base de datos ChEMBL.
• Se construyeron 103 modelos de clasificación utilizando seis representaciones moleculares (RDKitDes, MACCSFP, MorganFP, PairsFP, PubChemFP, RDKitFP).
• Se emplearon siete algoritmos de aprendizaje automático (RF, XGBoost, DT, KNN, GNB, LR, ANN) y se evaluaron mediante validación cruzada de diez veces y métricas AUC, con SHAP para la interpretabilidad.

Principales resultados:

• Múltiples modelos de aprendizaje automático demostraron capacidad predictiva para identificar compuestos antituberculosos.
• El estudio estableció un marco para la identificación rápida de leads utilizando diversas representaciones moleculares y algoritmos.
• El análisis SHAP proporcionó información sobre las características moleculares clave que impulsan la actividad de los compuestos contra los objetivos de la TB.

Conclusiones:

• Los enfoques de aprendizaje automático son eficaces para acelerar la identificación de nuevos candidatos a fármacos para la tuberculosis.
• Los modelos y metodologías desarrollados pueden ayudar significativamente a combatir la TB resistente a los medicamentos.
• La integración de representaciones moleculares, algoritmos de ML e IA explicable mejora la eficiencia del descubrimiento de fármacos.