Predicción de actividad inhibitoria de moléculas pequeñas sobre el receptor serotoninérgico 5 HT2 A mediante modelos de machine learning

Abstract

El presente trabajo se engloba dentro del campo de las ciencias de la computación y su aplicación en las ciencias de la salud, específicamente en el desarrollo de modelos de aprendizaje automático (machine learning) que permitan predecir la actividad de moléculas pequeñas sobre el receptor serotoninérgico 5-HT2A. Este receptor se asocia a patologías psiquiátricas ya conocidas, para las cuales existe tratamiento con moléculas pequeñas que lo inhiben, pero con frecuentes efectos adversos. Se prueban algoritmos tanto de clasificación como de regresión, para comprobar cuáles podrían tener una capacidad de predicción mejor sobre la constante de inhibición, Ki, y poder realizar un cribado computacional sobre grupos de moléculas pequeñas que pudieran suponer una alternativa terapéutica. Los hallazgos sugieren que, a partir de un conjunto de datos cribado y balanceado, los algoritmos de clasificación tienen, en general, muy buena capacidad de predicción de la actividad (activa o inactiva) de las moléculas pequeñas sobre este receptor 5-HT2A. El mejor algoritmo es el SVM, con una exactitud y precisión por encima del 93%. Los algoritmos de tipo regresión no resultan útiles para predecir la actividad. Para ambos casos, será necesario reproducir estudios similares sobre este receptor, con diferente procedencia de los datos y otros algoritmos o diferente configuración de sus hiperparámetros, para poder inferir un conocimiento más robusto.

The present work is included within the field of computer science and its application in the health sciences, specifically the development of machine learning models that allow predicting the activity of small molecules on the serotonergic receptor 5- HT2A. This receptor is associated with already known psychiatric pathologies, for which there is treatment with small molecules that inhibit it, but with frequent adverse effects. Both classification and regression algorithms are tested to see which ones could have a better predictive capacity on the inhibition constant, Ki, and be able to perform computational screening on groups of small molecules that could be a therapeutic alternative. The findings suggest that, based on a balanced and screened data set, the classification algorithms generally have a very good ability to predict the activity (active or inactive) of small molecules on this 5-HT2A receptor. The best algorithm is SVM, with an accuracy and precision of over 93%. Regression algorithms are not helpful in predicting activity. For both cases, it will be necessary to reproduce similar studies on this receptor, with different sources of data and other algorithms or different configuration of its hyperparameters, in order to infer more robust knowledge.

El present treball s'engloba dins del camp de les ciències de la computació i la seva aplicació en les ciències de la salut, específicament en el desenvolupament de models d'aprenentatge automàtic (machine learning) que permetin predir l'activitat de molècules petites sobre el receptor serotoninèrgic 5-HT2A. Aquest receptor s'associa a patologies psiquiàtriques ja conegudes, per a les quals existeix tractament amb molècules petites que ho inhibeixen, però amb freqüents efectes adversos. Es proven algorismes tant de classificació com de regressió, per a comprovar quins podrien tenir una capacitat de predicció millor sobre la constant d'inhibició, Ki, i poder realitzar un garbellat computacional sobre grups de molècules petites que poguessin suposar una alternativa terapèutica. Les troballes suggereixen que, a partir d'un conjunt de dades garbellat i balancejat, els algorismes de classificació tenen, en general, molt bona capacitat de predicció de l'activitat (activa o inactiva) de les molècules petites sobre aquest receptor 5-HT2A. El millor algorisme és el SVM, amb una exactitud i precisió per sobre del 93%. Els algorismes de tipus regressió no resulten útils per a predir l'activitat. Per a tots dos casos, serà necessari reproduir estudis similars sobre aquest receptor, amb diferent procedència de les dades i altres algorismes o diferent configuració de les seves hiperparàmetres, per a poder inferir un coneixement més robust.