Marcos de aprendizaje automático y aprendizaje profundo comparativos para la predicción robusta de carcinogenicidad y...

Área de la Ciencia:

• Toxicología
• Química Computacional
• Bioinformática

Sus antecedentes:

• Los productos químicos industriales plantean riesgos para la salud humana debido a la carcinogenicidad.
• Los modelos predictivos de carcinogenicidad son cruciales para la evaluación de riesgos.
• Los datos de carcinogenicidad en ratas sirven como un valioso sustituto de la relevancia humana.

Objetivo del estudio:

• Desarrollar modelos predictivos robustos para datos binarios de carcinogenicidad en ratas.
• Asociar la carcinogenicidad en ratas con la carcinogenicidad humana.
• Identificar características estructurales que influyen en la carcinogenicidad química.

Principales métodos:

• Se emplearon enfoques de modelado de lenguaje químico y basados en características.
• Se desarrollaron modelos de relación estructura-actividad de lectura cruzada de clasificación (c-RASAR) utilizando algoritmos de aprendizaje automático, incluidos redes neuronales artificiales (ANN).
• Se utilizó la arquitectura de memoria a corto plazo (LSTM) para modelos basados en cadenas SMILES, junto con regresión logística con descriptores ARKA.

Principales resultados:

• El modelo RASAR-ARKA de regresión logística demostró el mejor rendimiento.
• El modelo c-RASAR ANN también mostró capacidades de predicción eficientes para datos externos.
• El marco ARKA facilitó la identificación de acantilados de actividad y explicó los errores de predicción.

Conclusiones:

• Los modelos desarrollados proporcionan un marco eficiente para predecir la carcinogenicidad química.
• El análisis de la estructura-función reveló que los átomos de nitrógeno (derivados de hidrazina, nitrosaminas) y la ramificación aumentan la carcinogenicidad.
• Se encontró que el aumento del tamaño molecular reduce la potencia carcinogénica.