Integración de herramientas bioinformáticas en el análisis de extractos vegetales para el tratamiento de la enfermedad de Chagas.

GOMEZ CHAVEZ, JOSE LEONARDO; ANGELINA, EMILIO; PERUCHENA, N. M.

Resistencia, CHACO

Otro; XXVIII REUNION DE COMUNICACIONES CIENTIFICAS Y TECNICAS; 2023

UNNE

El descubrimiento de nuevos fármacos es un proceso complejo que busca identificar compuestos químicos con la actividadfarmacológica deseada para un objetivo molecular específico. El cribado de alto rendimiento (HTS) es una técnica utilizada paraevaluar bibliotecas de moléculas pequeñas en busca de inhibidores específicos. Sin embargo, el espacio químico es inmensamentevasto y las técnicas convencionales tienen limitaciones.El Diseño de Medicamentos Asistido por Computadora (CADD) surge como alternativa y complemento a los HTS ya que utilizaherramientas computacionales para analizar compuestos de manera virtual y reducir ensayos costosos. El docking molecular es unatécnica común en CADD, pero tiene limitaciones de precisión y altas tasas de falsos positivos. Las Redes Neuronales basadas enGrafos (Graph Neural Networks, GCN) por otro lado, surgen del uso de la inteligencia artificial para resolver diferentes problemáticas.En este contexto, las Redes Neuronales basadas en Grafos podrían complementar al docking en el análisis de compuestos debido asu versatilidad y fácil implementación. Como punto de partida para este análisis, el conjunto de datos AID 1478, disponible enPubChem, consta de compuestos químicos evaluados en un experimento de cribado de alto rendimiento (HTS) contra Cruzipain.Este conjunto de datos proporciona una base sólida para evaluar la mejora en las tasas de error al utilizar ambas herramientas enconjunto.En este trabajo, se utilizó el software de docking rDock y la biblioteca RDKit para construir representaciones moleculares. Se aplicóun submuestreo aleatorio para abordar el desequilibrio de clases en el conjunto de datos. La GCN utilizó un enfoque de grafo pararepresentar las moléculas y se entrenó para clasificar los compuestos como activos o inactivos frente a la enzima Cruzipain. Seincorporaron mecanismos de gate y attention para mejorar el rendimiento.La red logró destacar las partes más relevantes en común de las moléculas activas asociadas a su actividad contra Cruzipain. Lainformación aprendida por la GCN se implementó en el algoritmo de docking, lo que permitió dirigir la búsqueda de compuestosactivos y mejorar la tasa de éxito. Además, se utilizaron ambas herramientas en conjunto como filtros para maximizar la eficiencia, ya que en el cribado virtual es fundamental priorizar un conjunto manejable de compuestos con alta probabilidad de actividad .La combinación de docking molecular y GCN es prometedora para las tareas de cribado virtual. Esta estrategia podría ser valiosa en la búsqueda de inhibidores de cruzipaina y el desarrollo de tratamientos nuevos contra la enfermedad de Chagas.