Video Experimental Relacionado
Updated: Feb 24, 2026
Detection of Human Leukocyte Antigen Biomarkers in Breast Cancer Utilizing Label-free Biosensor Technology
Published on: March 24, 2015
Un enfoque guiado por aprendizaje automático para identificar posibles antagonistas de HCAR1 en cánceres impulsados
Letícia Vivas Carvalho1, Núbia Seyffert1, Roberto Meyer1
1Institute of Health Sciences (ICS), Federal University of Bahia (UFBA), Av. Reitor Miguel Calmon, S/N Canela, Salvador, Bahia 40231-300, Brazil.
Este estudio desarrolló un modelo de aprendizaje automático para identificar posibles antagonistas de HCAR1, cruciales para dirigirse a tumores impulsados por lactato. El modelo prioriza compuestos con características estructurales específicas, ofreciendo información para el diseño de nuevas terapias contra el cáncer.
Área de la Ciencia:
- Farmacología
- Química Computacional
- Aprendizaje Automático
Sus antecedentes:
- GPR81 (HCAR1), un receptor que detecta lactato, está implicado en la progresión del cáncer y la resistencia terapéutica.
- Actualmente faltan antagonistas selectivos para HCAR1, lo que representa una necesidad insatisfecha importante en oncología.
Objetivo del estudio:
- Desarrollar un modelo de Máquina de Vectores de Soporte (SVM) estadísticamente validado para clasificar ligandos de HCAR1 como agonistas o antagonistas.
- Identificar subestructuras moleculares clave que impulsan el antagonismo de HCAR1 y la selectividad del receptor.
- Cribar bibliotecas de compuestos en busca de posibles antagonistas de HCAR1.
Principales métodos:
- Entrenamiento de un modelo SVM con 144 ligandos de HCAR1 conocidos utilizando descriptores fisicoquímicos y huellas dactilares ECFP4.
- Empleo de acoplamiento molecular contra conformaciones activas e inactivas del receptor para calcular puntuaciones de ΔAfinidad.
- Utilización del análisis SHAP para la interpretación de características y la explicabilidad del modelo.
- Cribado de 3.377 compuestos de diversas bibliotecas.
Principales resultados:
- El modelo SVM logró una precisión del 79,3% en el conjunto de prueba, con un AUC de 0,94, lo que indica un rendimiento predictivo sólido.
- El análisis SHAP identificó subestructuras polares, rígidas y aromáticas como críticas para el antagonismo y la selectividad de HCAR1.
- El cribado identificó Ketanserina, Criptopiranmoscatona A1 diacetato y Cefuroxima como posibles antagonistas de HCAR1, siendo dos de ellos fármacos aprobados por la FDA.
Conclusiones:
- El estudio presenta un marco computacional validado para el descubrimiento de antagonistas selectivos de HCAR1.
- Los determinantes estructurales identificados proporcionan información valiosa para el diseño basado en fragmentos y bioisostérico de nuevas terapias contra el cáncer.
- Este enfoque puede acelerar el desarrollo de fármacos dirigidos a cánceres impulsados por lactato.
