Interacciones Fármaco-Objetivo Curadas y Basadas en Estructura Mejoran la Subpredicción de Efectos Secundarios de...

Área de la Ciencia:

• Farmacología y Desarrollo de Fármacos
• Biología Computacional
• Toxicología

Sus antecedentes:

• La predicción precisa de los efectos secundarios inducidos por fármacos es un obstáculo importante en el desarrollo farmacéutico, que a menudo conduce a fallos en etapas avanzadas.
• Los métodos tradicionales como las pruebas en animales y los ensayos in vitro tienen limitaciones en cuanto a costo, ética y traducibilidad humana.
• Los modelos computacionales existentes para predecir efectos adversos de los fármacos, como las redes de interacción proteína-proteína, a menudo sufren de subpredicción e inconsistencia de datos.

Objetivo del estudio:

• Evaluar el impacto de la integración de objetivos de unión a fármacos de múltiples fuentes en la plataforma PathFX para mejorar la predicción de efectos secundarios de fármacos.
• Analizar cómo las diferentes estrategias de integración de datos afectan la sensibilidad y especificidad de la predicción de reacciones adversas a los fármacos.
• Proporcionar una base para mejorar los enfoques de aprendizaje automático en la evaluación de la seguridad de los fármacos.

Principales métodos:

• Se integraron objetivos de unión a fármacos de seis bases de datos distintas (DrugBank, ChEMBL, PubChem, STITCH, TTD, PocketFEATURE) en la plataforma PathFX.
• Se analizaron interacciones únicas fármaco-objetivo, clases de proteínas y funciones en las fuentes de datos integradas.
• Se evaluó cuantitativamente la compensación entre la sensibilidad y la especificidad de la predicción en función de las características de la fuente de datos.

Principales resultados:

• La integración de nuevos objetivos farmacológicos condujo a la predicción de efectos secundarios previamente no reconocidos.
• Se observó una clara compensación entre sensibilidad y especificidad; las bases de datos más grandes y exploratorias mejoraron la sensibilidad a costa de la especificidad.
• Bases de datos de objetivos más pequeñas, curadas o predichas estructuralmente mejoraron la especificidad, adecuadas para plataformas explicables como PathFX.

Conclusiones:

• La integración de diversas fuentes de datos de fármacos-objetivos impacta significativamente la precisión de la predicción de efectos secundarios de los fármacos.
• La elección de la fuente de datos y la estrategia de integración es fundamental para equilibrar la sensibilidad y la especificidad en los modelos predictivos.
• Este trabajo apoya el desarrollo de modelos sofisticados de aprendizaje automático para datos a gran escala y plataformas más simples y explicables para la generación de hipótesis en seguridad de fármacos.