Aprendizaje automático aplicado en el descubrimiento de fármacos de moléculas pequeñas: modelos, estrategias y...

Área de la Ciencia:

• Farmacología Farmacología.
• Química computacional es la química computacional.
• La inteligencia artificial en el descubrimiento de fármacos.

Sus antecedentes:

• El aprendizaje automático (ML) es cada vez más vital en el descubrimiento de fármacos de moléculas pequeñas.
• Los farmacólogos e investigadores de drogas requieren una sólida comprensión de los principios y aplicaciones de ML.
• A pesar del progreso, los desafíos como la mala calidad de los datos, los problemas de selección de características y la limitada generalizabilidad del modelo obstaculizan la adopción de ML.

Objetivo del estudio:

• Revisar sistemáticamente los algoritmos de aprendizaje automático utilizados en el descubrimiento de fármacos.
• Para categorizar los algoritmos de aprendizaje automático por tipo de modelo.
• Para resaltar las herramientas y técnicas de aprendizaje automático que abordan desafíos específicos en todo el proceso de descubrimiento de fármacos.

Principales métodos:

• Revisión sistemática de la literatura de las aplicaciones de aprendizaje automático en el descubrimiento de fármacos.
• Categoría de algoritmos ML basados en sus modelos subyacentes.
• Análisis de las técnicas de ML adaptadas para superar los desafíos comunes de descubrimiento de fármacos.

Principales resultados:

• Estudio exhaustivo de diversos algoritmos ML relevantes para el descubrimiento de fármacos.
• Clasificación de los métodos ML, ayudando a los investigadores en la selección de herramientas.
• Identificación de estrategias de aprendizaje automático para mejorar la calidad de los datos, la selección de características y la generalización del modelo.

Conclusiones:

• El aprendizaje automático ofrece un potencial significativo para avanzar en el descubrimiento de fármacos de pequeñas moléculas.
• Abordar los desafíos en datos, características y generalizabilidad es clave para desbloquear las capacidades completas de ML.
• Esta revisión proporciona una visión general estructurada para guiar la aplicación efectiva de ML en la investigación farmacéutica.