Abstract

HUICI CORRALES, Adonis et al. Predicción de la afinidad de ligandos antagonistas por receptores de adenosina A_2A usando árboles de decisión. Biot. Veg. [online]. 2019, vol.19, n.2, pp. 113-126.  Epub June 01, 2019. ISSN 2074-8647.

Las enfermedades neurodegenerativas están siendo tratadas mediante la modulación de los receptores de adenosina con antagonistas más eficaces, seguros y selectivos. El objetivo del estudio consistió en desarrollar una metodología para obtener modelos de clasificación sobre la base de algoritmos de árboles de decisión y descriptores de 0D a 2D de familias no congenéricas de compuestos orgánicos para predecir cualitativamente la afinidad ligando-RAA2A. Para ello se construyó y curó una base de datos no congenérica de 315 antagonistas con su constante de inhibición en nano molar, etiquetados como potentes y débiles. Se utilizaron los programas Dragon e ISIDA/QSPR para calcular descriptores moleculares y se obtuvieron cinco grupos de descriptores. En cada grupo se seleccionaron 50 descriptores usando el criterio mRMR. La base de datos se dividió en series de Entrenamiento, Prueba y Externa mediante una selección aleatoria y un análisis de clúster k-means generalizado. Se desarrollaron y validaron clasificadores utilizando el programa WEKA. Los resultados fueron analizados mediante las pruebas estadísticas de Friedman y Wilcoxon. Se comprobó la influencia significativa del parámetro m del algoritmo J48 en la predictividad, para los modelos que usaron los descriptores de los grupos aug.a-b e hyb.aug.a del ISIDA/QSPR. El modelo de mejor desempeño se obtuvo de los descriptores seleccionados del grupo ISIDA-todos con un valor de m=6 y alcanzó 90.6% de predicción sobre la serie Externa. La metodología desarrollada para obtener modelos de clasificación sobre la base de algoritmos de árboles de decisión y descriptores de 0D a 2D de familias no congenéricas de compuestos orgánicos es efectiva para predecir cualitativamente la afinidad ligando-RAA2Acon una exactitud, especificidad y selectividad superiores al 90%.

Keywords : aprendizaje automatizado; clasificación; modelación; QSAR.

        · abstract in English     · text in Spanish     · Spanish ( pdf )