Evaluación comparativa de modelos de aprendizaje profundo para predecir la potencia de fármacos anticancerígenos...

Área de la Ciencia:

• Química computacional
• Farmacología
• Bioinformática

Sus antecedentes:

• La predicción precisa de la potencia de moléculas pequeñas (IC₅₀) es crucial para el desarrollo de nuevos fármacos contra el cáncer.
• Los modelos de aprendizaje profundo (DL) ofrecen potencial para mejorar la precisión de la predicción de IC₅₀.

Objetivo del estudio:

• Evaluar comparativamente cinco modelos de DL (DeepCDR, DrugCell, PaccMann, Precily, tCNN) frente a una línea base para la predicción de IC₅₀.
• Evaluar el rendimiento del modelo utilizando diversos métricas de error, incluida una nueva estadística de precisión de predicción consciente de la variabilidad experimental.
• Evaluar la generalización del modelo en diferentes conjuntos de datos, líneas celulares y compuestos novedosos.

Principales métodos:

• Se utilizaron conjuntos de datos estandarizados de GDSC y compuestos anticancerígenos recientes para la evaluación comparativa.
• Se evaluaron cinco modelos de DL y una línea base basada en la media.
• El rendimiento se evaluó utilizando métricas de error estándar, error porcentual, error logarítmico, límite de tres sigmas y una nueva estadística de precisión.

Principales resultados:

• Los modelos de DL tuvieron un buen rendimiento en divisiones aleatorias y líneas celulares no vistas, pero mostraron una precisión reducida para compuestos no vistos.
• DeepCDR, DrugCell y tCNN demostraron un rendimiento ligeramente superior en la mayoría de las pruebas.
• Varios modelos de DL no superaron significativamente la línea base, y el error de predicción mostró una correlación débil con las propiedades del compuesto/línea celular.

Conclusiones:

• Si bien los modelos de DL muestran potencial en la predicción de IC₅₀, su rendimiento en compuestos novedosos requiere una mayor mejora.
• El servidor web desarrollado proporciona una herramienta práctica para predecir los valores de IC₅₀ de nuevos compuestos contra líneas celulares de cáncer.
• Se necesita más investigación para comprender y mejorar la correlación entre los errores de predicción y las propiedades moleculares/biológicas.