Modelos interpretables de aprendizaje automático para la predicción basada en QSAR de la actividad anti-Salmonella...

Área de la Ciencia:

• Química computacional
• Química medicinal
• Aprendizaje automático

Sus antecedentes:

• Salmonella typhi multidrogorresistente representa una amenaza significativa para la salud mundial.
• Se necesitan urgentemente nuevas estrategias terapéuticas para combatir las infecciones bacterianas resistentes.

Objetivo del estudio:

• Desarrollar un modelo robusto de relación cuantitativa estructura-actividad (QSAR) basado en aprendizaje automático (ML).
• Identificar candidatos a fármacos potenciales eficaces contra Salmonella typhi multidrogorresistente.

Principales métodos:

• Se utilizó un conjunto de datos curado derivado de ChEMBL, logrando una alta puntuación de modelabilidad (MODI = 0.89).
• Un flujo de trabajo híbrido de selección de características identificó 20 descriptores moleculares químicamente interpretables.
• Se entrenaron y compararon ocho clasificadores de ML diversos, incluido el Support Vector Machine (SVM).

Principales resultados:

• El modelo SVM demostró el mayor rendimiento en el conjunto de prueba de retención.
• Se logró un coeficiente de correlación de Matthews (MCC) de 0.61 y un ROC-AUC de 0.90.
• Se identificaron con éxito candidatos a fármacos potenciales para la actividad anti-S. typhi.

Conclusiones:

• El modelado riguroso de ML-QSAR proporciona un marco confiable para el descubrimiento de fármacos.
• Este enfoque permite el cribado virtual eficiente y la priorización de nuevos agentes anti-S. typhi.
• Facilita el desarrollo de nuevos tratamientos contra patógenos bacterianos resistentes.