QSAR y métodos de aprendizaje automático para la predicción de la unión albúmina-ligando

Área de la Ciencia:

• Bioquímica y Biología Molecular
• Química Computacional
• Farmacología

Sus antecedentes:

• La albúmina sérica es la proteína más abundante en el plasma sanguíneo humano y de mamíferos.
• La albúmina facilita el transporte y la entrega de diversas moléculas, incluidos los fármacos.
• La afinidad del fármaco a la albúmina impacta significativamente las propiedades de Absorción, Distribución, Metabolismo y Excreción (ADME) y la eficacia terapéutica.

Objetivo del estudio:

• Revisar los conjuntos de datos existentes y los modelos predictivos para las constantes de unión albúmina-ligando.
• Evaluar el rendimiento de diversas técnicas de aprendizaje automático y descriptores moleculares para predecir la afinidad a la albúmina.
• Discutir la transferibilidad de estos modelos para predecir los valores de unión a proteínas plasmáticas.

Principales métodos:

• Análisis de los conjuntos de datos existentes sobre afinidad a la albúmina.
• Revisión de modelos de relación cuantitativa estructura-actividad (QSAR) basados en aprendizaje automático.
• Evaluación de diferentes descriptores moleculares utilizados en la modelización predictiva.

Principales resultados:

• Los enfoques QSAR y de aprendizaje automático basados en ligandos demuestran un buen rendimiento en la predicción de la afinidad a la albúmina, incluso para estructuras moleculares diversas.
• Los enfoques basados en la estructura son computacionalmente desafiantes debido a la complejidad de los modos de unión a la albúmina.
• El estudio considera la transferibilidad de los modelos desarrollados para predecir valores más amplios de unión a proteínas plasmáticas.

Conclusiones:

• Los modelos de aprendizaje automático ofrecen una alternativa viable a los desafiantes métodos basados en la estructura para predecir la unión fármaco-albúmina.
• La predicción precisa de las constantes de unión albúmina-ligando es valiosa para el diseño de fármacos asistido por computadora.
• La investigación adicional sobre la transferibilidad del modelo es esencial para aplicaciones más amplias en el desarrollo de fármacos.