Aplicaciones del aprendizaje automático en el descubrimiento y desarrollo de fármacos

Introducción

Los procesos de descubrimiento y desarrollo de fármacos son largos, complejos y dependen de

numerosos factores. Los enfoques de aprendizaje automático (Machine Learning)
proporcionan un conjunto de herramientas que pueden mejorar descubrimiento y toma de
decisiones para preguntas bien especificadas con datos abundantes y de alta calidad.

Oportunidades de aplicar ML

Las oportunidades para aplicar ML ocurren en todas las etapas del descubrimiento de
fármacos. Los ejemplos incluyen target validación, identificación de biomarcadores pronósticos
y análisis de datos patológicos digitales en ensayos clínicos. Las aplicaciones han variado en
contexto y metodología, con algunos enfoques produciendo predicciones y conocimientos
precisos

Desafíos de aplicar ML

Los desafíos de aplicar ML se encuentran principalmente en la falta de interpretabilidad y

repetibilidad de los resultados generados, lo que puede limitar su solicitud. En todas las áreas,
los datos de alta dimensión sistemáticos y completos aún deben ser generado. Con los
esfuerzos continuos para abordar estos problemas, así como una mayor conciencia sobre los
factores necesarios para validar los enfoques de ML, la aplicación de ML puede promover
toma de decisiones y tiene el potencial de acelerar el proceso y reducir las tasas de fracaso en
medicamentos descubrimiento y desarrollo.

Aplicaciones de aprendizaje automático en el proceso de descubrimiento de fármacos y sus

características de datos requeridas.

Varias aplicaciones exitosas del aprendizaje automático en varias etapas de la línea de

desarrollo de fármacos en la industria farmacéutica. se han publicado en empresas. Sin
embargo, dentro de cada dominio de datos, todavía existen desafíos relacionados con el
estándar de la calidad y la cantidad de datos necesarios para aprovechar todo el potencial de
estos métodos de descubrimiento, absorción, distribución, metabolismo y excreción son
algunos de los datos tratados.

Machine learning toolbox

Básicamente, ML es la práctica de usar algoritmos para analizar datos, aprender de ellos y

luego tomar una determinación o una predicción sobre el estado futuro de cualquier dato
nuevo conjuntos. Entonces, en lugar de codificar manualmente las rutinas de software con un
conjunto específico de instrucciones (predeterminadas por el programador) para realizar una
tarea en particular, la máquina está entrenado usando grandes cantidades de datos y
algoritmos que le dan la capacidad de aprender a realizar la tarea. El programador codifica el
algoritmo utilizado para entrenar red en lugar de codificar reglas expertas. Los algoritmos
mejoran de forma adaptativa su rendimiento a medida que la cantidad y calidad de los datos
disponibles para aumento del aprendizaje. Por lo tanto, ML se aplica mejor para resolver
problemas para los que una gran cantidad de datos y variables.
Herramientas de aprendizaje automático y sus aplicaciones de descubrimiento de fármacos

Esta figura ofrece una descripción general de la máquina. técnicas de aprendizaje que se han
utilizado para responder a las preguntas sobre el descubrimiento de fármacos que se tratan en
esta Revisión. Un rango de Se utilizan técnicas de aprendizaje supervisado (métodos de
regresión y clasificador) para responder preguntas que requieren predicción. de categorías de
datos o variables continuas, mientras que se utilizan técnicas no supervisadas para desarrollar
modelos que permitan agrupación de los datos. ADME, absorción, distribución, metabolismo y
excreción; CNN, neuronal convolucional la red; CT, tomografía computarizada; DAEN, red
neuronal autocodificadora profunda; DNN, red neuronal profunda; GAN, red generativa de
adversarios; Resonancia magnética, resonancia magnética; PNL, procesamiento del lenguaje
natural; PAQUETE, farmacocinética; ARNi, interferencia de ARN; RNN, red neuronal recurrente;
SVM, máquina de vectores de soporte; SVR, Apoyar la regresión vectorial.

Aplicación en el descubrimiento de los fármacos.

El preeminente enfoque en el descubrimiento de fármacos es desarrollar fármacos (pequeños

moléculas, péptidos, anticuerpos o modalidades más nuevas incluyendo ARN cortos o terapias
celulares) que alterarán el estado de enfermedad mediante la modulación de la actividad de
una molécula objetivo. A pesar del reciente resurgimiento de las pantallas fenotípicas, el inicio
de un programa de desarrollo de fármacos requiere la identificación de un objetivo con una
hipótesis terapéutica plausible: que la modulación del objetivo dar lugar a la modulación del
estado de enfermedad. Seleccionando esto objetivo sobre la base de la evidencia disponible se
refiere a la identificación y priorización de objetivos. Habiendo hecho esta elección preliminar,
el siguiente paso es validar el papel del objetivo elegido en la enfermedad utilizando
fisiológicamente modelos relevantes ex vivo e in vivo (validación del objetivo). Aunque la
validación final del objetivo solo venir más tarde, a través de ensayos clínicos, la validación
temprana del objetivo es crucial para enfocar los esfuerzos en potencialmente exitosos
proyectos. La biología moderna es cada vez más rica en datos. Esta incluye información
genética humana en grandes poblaciones, transcriptómica, proteómica y metabolómica
elaboración de perfiles de individuos sanos y de aquellos con enfermedades e imagenología de
alto contenido de material clínico. La capacidad de capturar estos grandes conjuntos de datos
y reutilizarlos a través de bases de datos públicas presenta nuevas oportunidades para la
identificación y validación tempranas de objetivos. Sin embargo, Estos conjuntos de datos
multidimensionales requieren métodos analíticos para producir modelos estadísticamente
válidos que puede hacer predicciones para la identificación de objetivos, y esto es donde se
puede explotar ML. La gama de experimentos que pueden contribuir a la identificación y
validación del objetivo es amplio, pero si estos experimentos se basan en datos, ML es cada
vez se aplica más.

Los desafíos de la representación de estructuras compuestas en modelos de aprendizaje

automático

La representación de las estructuras químicas y sus características puede adoptar muchas

representaciones dependiendo de las necesidades solicitud. Las huellas dactilares de
conectividad extendida (ECFP) contienen información sobre las características topológicas de
la molécula, que permite aplicar esta información a tareas como la búsqueda de similitudes y
la predicción de actividad. Una matriz de Coulomb codifica información sobre las cargas
nucleares de una molécula y sus coordenadas. La característica de la cuadrícula El método
incorpora características estructurales tanto del ligando como de la proteína diana, así como
las fuerzas intermoleculares que contribuir a la afinidad de unión. La función de simetría es
otra codificación común de información de coordenadas atómicas, que se centra en la
distancia entre pares de átomos y los ángulos formados dentro de los tripletes de átomos. La
convolución del gráfico El método calcula un vector de características inicial y una lista de
vecinos para cada átomo que resume la sustancia química local. entorno de un átomo,
incluidos los tipos de átomos, los tipos de hibridación y las estructuras de valencia. La
caracterización del tejido calcula un vector de características para cada par de átomos en la
molécula, incluidas las propiedades de enlace (si está conectado directamente), la distancia del
gráfico e información de anillo, formando una matriz de características. Reproducido con
permiso de la Royal Society of Chemistry, Wu, Z. et al. MoleculeNet: un punto de referencia
para el aprendizaje automático molecular.

Final

Los marcos de aprendizaje profundo pueden reemplazar

características artesanales tradicionales en varias tareas básicas de reconocimiento de

imágenes de patología (como la segmentación de núcleos,

epitelios o túbulos, detección de linfocitos, detección de mitosis o clasificación de tumores)

mediante segmentación de imágenes

(fondo amarillo), detección de características específicas (fondo azul) o detección de un

conjunto de características utilizadas para

clasificación (fondo verde). El reconocimiento se basa en las características específicas de la

tarea que se muestran en las regiones rosas y puede

conducir a un pronóstico o predicción más precisos de la enfermedad

Conclusión.

Los algoritmos ML, incluidos los métodos DL, han permitido la utilización de la IA en el entorno
de la industria y en el día a día para vida diurna. El impacto de los métodos de AA en todas las
áreas de la droga El descubrimiento y el cuidado de la salud ya se están sintiendo,
especialmente en el análisis de datos ómicos y de imágenes. Algoritmos ML también tienen
éxito en el reconocimiento de voz, PNL, visión por computadora y otras aplicaciones. Por
ejemplo, Los asistentes inteligentes habilitados para Internet ahora son algo común y puede
transmitir información relacionada con la salud en la forma de discurso e imágenes o videos.
Enfoques de AA aplicado a los datos recopilados a partir de tal combinación de Tecnologías
habilitadas para Internet, junto con biológicas datos, tienen el potencial de mejorar
drásticamente la poder predictivo de tales algoritmos y ayuda médica toma de decisiones
sobre los beneficios terapéuticos, clínicos biomarcadores y efectos secundarios de las terapias.