Creación de una herramienta de software para predecir la interacción, actividad y función de fármacos

Abstract

El desarrollo de fármacos para el tratamiento de enfermedades es un área muy compleja con un gran evolución. Hoy sabemos que los factores que desencadenan la patogénesis son múltiples (factores ambientales, fisiológicos, genéticos...). Esto influye enormemente en el desarrollo de tratamientos farmacológicos y es por ello que en los últimos años hay una larga tendencia al estudio de tratamientos personalizados. Mediante disciplinas como la polifarmacología, la farmacogenómica, etc. Estos tratamientos personalizados generan cantidades ingentes de información que no es posible tratar de manera convencional. Es por ello que hay que recurrir a técnicas de Big Data y algoritmos de aprendizaje automático (Machine Learning o ML). El presente trabajo busca el desarrollo de una herramienta que realice una búsqueda por similaridad (virtual screening) de una molécula contra una bases de datos de compuestos preparada a partir de bases de datos externas, y en segunda instancia que pueda predecir los compuestos activos para un target dado sobre los compuestos de la base de datos mediante algoritmos de ML.

El desenvolupament de fàrmacs per al tractament de malalties és una àrea molt complexa amb un gran evolució. Avui sabem que els factors que desencadenen la patogènesi són múltiples (factors ambientals, fisiològics, genètics ...). Això influeix enormement en el desenvolupament de tractaments farmacològics i és per això que en els últims anys hi ha una llarga tendència a l'estudi de tractaments personalitzats. Mitjançant disciplines com la polifarmacología, la farmacogenòmica, etc. Aquests tractaments personalitzats generen quantitats ingents d'informació que no és possible tractar de manera convencional. És per això que cal recórrer a tècniques de Big Data i algoritmes d'aprenentatge automàtic (Machine Learning o ML). El present treball busca el desenvolupament d'una eina que realitzi una cerca per similitud (virtual screening) d'una molècula contra una bases de dades de compostos preparada a partir de bases de dades externes, i en segona instància que pugui predir els compostos actius per a un target donat sobre els compostos de la base de dades mitjançant algoritmes de ML.

The drug discovery process for the treatment of diseases is wide and complex area in constant evolution. Today is known that multiple factors are responsible for triggering pathogenesis (environment, physiology, genetics...). This greatly influence the development of pharmacological treatments and hence, as of late, there have been a trend on personalized treatments by means of several disciplines like polypharmacology, pharmacogenomics, etc. This customized treatments yields a large amount of data which cannot be processed in a conventional way. Therefore, it is necessary to use Big Data mining and Machine Learning techniques. The present work aims to develop a tool that does a similarity search (virtual screening) of a given molecule against an specially curated database built from other compounds databases and, in a second stage, try to predict by means of Machine Learning algorithms active compounds for a given target.