Predicción de la toxicidad en péptidos mediante técnicas Machine Learning
Durante el desarrollo de nuevos fármacos, se ha visto que la mayoría de las moléculas estudiadas son descartadas en los ensayos clínicos por presencia de toxicidad. A consecuencia, se han desarrollado métodos computacionales para predecir la actividad de las moléculas candidatas. En los últimos años...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/127826 |
| Acceso en línea: | http://hdl.handle.net/10609/127826 |
| Access Level: | acceso abierto |
| Palabra clave: | péptido toxicidad machine learning pèptid toxicitat peptide toxicity Bioinformatics -- TFM Bioinformàtica -- TFM Bioinformática -- TFM |
| Sumario: | Durante el desarrollo de nuevos fármacos, se ha visto que la mayoría de las moléculas estudiadas son descartadas en los ensayos clínicos por presencia de toxicidad. A consecuencia, se han desarrollado métodos computacionales para predecir la actividad de las moléculas candidatas. En los últimos años, los péptidos se han propuesto como posibles candidatos a fármacos por su alta actividad biológica, especificidad, bajo coste de producción y alta penetración. En este trabajo se pretende desarrollar un modelo Machine Learning (ML) para predecir la toxicidad peptídica para el posible desarrollo de nuevos fármacos. Se recopilarán péptidos tóxicos y no tóxicos de distintas bases de datos y se agruparán en un dataset. Con las secuencias peptídicas, se generarán los descriptores pseudo-aminoácidos para la creación de modelos de predicción de toxicidad peptídica. Con métodos de clustering y balanceo se crearán nuevos datasets que serán usados para generar modelos predictivos con los algoritmos de ML utilizados: SVM, RF y GBRT. Se seleccionarán los mejores modelos y serán evaluados con un dataset externo. Los modelos generados por clustering y balanceo eran de mayor calidad (exactitud, precisión, sensibilidad, especificidad, F1 y AUC de curva ROC) que los obtenidos con el dataset inicial. De los cinco mejores modelos evaluados con el dataset externo (Modelo Subsampling SVM, Modelo Subsampling RF, Modelo DBSCAN+Subsampling SVM, Modelo DBSCAN+Subsampling GBRT y Modelo Linclust RF), tres presentaban mejores indicadores de calidad. Se concluye que los mejores modelos para predecir la toxicidad de péptidos son Modelo Subsampling SVM, Modelo Subsampling RF y Modelo DBSCAN+Subsampling GBRT. |
|---|