Marco de Aprendizaje Automático Integral para Predecir la Permeabilidad de la Barrera Hematoencefálica Mejorado por...

Área de la Ciencia:

• Química computacional
• Aprendizaje automático en el descubrimiento de fármacos
• Neurociencia

Sus antecedentes:

• La barrera hematoencefálica (BHE) limita la administración de fármacos al sistema nervioso central (SNC).
• La predicción in silico precisa de la permeabilidad de la BHE es crucial para el descubrimiento eficiente de fármacos.
• El desarrollo de modelos predictivos robustos es esencial para superar los desafíos de la BHE.

Objetivo del estudio:

• Desarrollar y optimizar un marco de aprendizaje automático para predecir la permeabilidad de la BHE.
• Mejorar un modelo de Red Neuronal Profunda (DNN) utilizando Optimización de Colonias de Hormigas (ACO).
• Proporcionar una herramienta precisa para la selección virtual en el descubrimiento de fármacos del SNC.

Principales métodos:

• Se curó un conjunto de datos de 1957 compuestos con 212 descriptores moleculares.
• Se empleó una división basada en el andamio para la partición del conjunto de datos.
• Se compararon modelos de referencia, incluidos Random Forest y una DNN estándar.
• Se utilizó ACO para la optimización sistemática de hiperparámetros de la DNN.

Principales resultados:

• Random Forest logró un AUC de referencia de 0.913.
• El algoritmo ACO identificó una arquitectura DNN optimizada.
• La DNN optimizada por ACO logró un AUC-ROC de vanguardia de 0.921.
• El modelo optimizado superó a todos los clasificadores de referencia.

Conclusiones:

• La optimización metaheurística (ACO) ofrece ventajas sobre la optimización tradicional de hiperparámetros.
• La DNN optimizada por ACO demuestra estabilidad y sólidas capacidades de generalización.
• La metodología desarrollada es una plantilla generalizable para la optimización de modelos complejos en el descubrimiento de fármacos.