Desarrollo de un modelo de predicción de moléculas que atraviesan la barrera hematoencefálica con IA
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javariana Cali
Abstract
La barrera hematoencefálica (BHE) representa un desafío crítico en el desarrollo de terapias para el sistema nervioso central, motivando una estrategia metodológica estructurada en cuatro etapas fundamentales. Inicialmente, se realizó la preparación y procesamiento de datos utilizando la base de datos B3DB con 7,807 moléculas, ejecutando una rigurosa validación de estructuras SMILES, identificación de datos nulos y estandarización. Posteriormente, se desarrolló un sistema integral de adquisición de datos mediante análisis de variables categóricas, descriptores moleculares y propiedades fisicoquímicas para comprender la permeabilidad molecular. El diseño del modelo predictivo se centró en seleccionar los descriptores más relevantes, utilizando técnicas de aprendizaje automático para analizar la importancia de características moleculares clave como el coeficiente de partición octanol-agua (logBB), donantes y aceptores de enlaces de hidrógeno. La etapa final de validación integral incluyó la prueba del modelo en nuevas bases de datos, predicción de permeabilidad de moléculas, comparación entre predicciones y resultados experimentales, evaluando la precisión y capacidad generalizadora con el objetivo de desarrollar un sistema predictivo robusto que identifique moléculas con potencial para atravesar la barrera hematoencefálica, abriendo nuevas oportunidades para el desarrollo de terapias innovadoras en biomedicina. Esta sinergia entre Ciencia de Datos e Inteligencia Artificial abre nuevas oportunidades para el desarrollo de terapias innovadoras y precisas para enfermedades del sistema nervioso central, con un impacto significativo en la biomedicina y la farmacología moderna.
Description
item.page.descriptioneng
The blood-brain barrier (BBB) represents a critical challenge in the development of therapies for the central nervous system, motivating a methodological strategy structured in four fundamental stages. Initially, data preparation and processing was performed using the B3DB database with 7,807 molecules, executing a rigorous validation of SMILES structures, identification of null data and standardization. Subsequently, a comprehensive data acquisition system was developed through analysis of categorical variables, molecular descriptors, and physicochemical properties to understand molecular permeability. The design of the predictive model focused on selecting the most relevant descriptors, using machine learning techniques to analyze the importance of key molecular characteristics such as the octanol-water partition coefficient (logBB), hydrogen bond donors and acceptors. The final stage of comprehensive validation included testing the model in new databases, predicting the permeability of molecules, comparing predictions and experimental results, evaluating the accuracy and generalization capacity with the aim of developing a robust predictive system that identifies molecules with the potential to cross the blood-brain barrier, opening new opportunities for the development of innovative therapies in biomedicine. This synergy between Data Science and Artificial Intelligence opens new opportunities for the development of innovative and precise therapies for diseases of the central nervous system, with a significant impact on biomedicine and modern pharmacology.
Keywords
Barrera Hematoencefálica, Permeabilidad, Bioinformática, Moléculas, SMILES, Blood-Brain Barrier, Permeability, Bioinformatics, Molecules, SMILES Notation