PREDICCIÓN DE BLANCOS MOLECULARES COMBINANDO DOCKING E INTELIGENCIA ARTIFICIAL

J. F. FERNÁNDEZ; M. J. LAVECCHIA

Congreso; XXI Congreso Argentino de Fisicoquímica y Química Inorgánica; 2021

Introducción La predicción de blancos moleculares resulta un proceso relevante en lainvestigación orientada al diseño de fármacos puesto que permite identificar potencialesblancos moleculares con el cual un dado compuesto puede interactuar, tanto parainteracciones buscadas como aquellas que podrían tener un efecto no deseado. Si bienen la actualidad existen diversas metodologías que permiten realizar este tipo depredicciones, en su mayoría los resultados reportados carecen de métricas de laprecisión del modelo utilizado. Esto motivó al desarrollo y evaluación de unametodología que elabora una predicción de afinidad de una dada molécula sobre unconjunto de blancos moleculares a partir del patrón de interacción con cada sitio activode una pose obtenida con docking y su posterior evaluación en un clasificador entrenadoespecíficamente para cada blanco con herramientas de inteligencia artificial.Resultados Se evaluó la metodología propuesta utilizando un conjunto de 20 blancosmoleculares, con la característica de contar cada uno con un elevado número decompuestos activos e inactivos determinados de forma experimental. Esto posibilita laconstrucción de un modelo predictivo sobre cada blanco molecular, partiendo de posesobtenidas por docking. Estas fueron generadas con el programa DOCK 6.9, ya quepermite descomponer la interacción del ligando con cada residuo de la proteína y asíobtener la ?huella? de interacción de cada compuesto con su sitio activo. A partir de estainformación, se empleó la librería scikit-learn para el entrenamiento del modelo condistintos algoritmos, siendo el de mejores resultados el de máquinas de vectores desoporte (SVM). En todos los casos evaluados se observó una mejora significativa enmétricas de clasificación al utilizar el clasificador entrenado mediante inteligenciaartificial acoplado al docking respecto al sólo uso de esta técnica. Por otro lado, eldesempeño general de la metodología resultó comparable a un desarrollo análogoimplementado con la suite de Shrödinger1. Cabe destacar que en todo el proceso seemplearon programas de código libre o con posibilidad de licencia académica.Conclusiones Si bien la cantidad de datos de actividad necesarios para entrenar elmodelo limitan el número de blancos moleculares que pueden ser evaluados, lametodología propuesta puede ser utilizada para elaborar predicciones ya sea de maneraindividual o en conjunto con otras técnicas.