Ponente
Descripción
La aparición y reaparición de enfermedades virales evidencia la necesidad de desarrollar estrategias eficientes para identificar antivirales de amplio espectro. Los métodos tradicionales de descubrimiento de fármacos requieren altos costos y largos tiempos de desarrollo, lo que ha impulsado el uso de reposicionamiento computacional de fármacos y métodos de machine learning como alternativas para priorizar candidatos terapéuticos (Pushpakom et al., Nat. Rev. Drug Discov. 18, 41–58, 2019).
En este trabajo se propone un enfoque basado en machine learning para la priorización de potenciales compuestos antivirales a partir de representaciones moleculares derivadas de estructuras SMILES. El estudio integra información proveniente de DrugVirus.info 2.0 (1518 asociaciones entre 153 virus y 232 fármacos) (Ianevski et al., Nucleic Acids Res. 50, W272–W275, 2022) y del Drug Repurposing Hub (7450 compuestos químicos) (Corsello et al., Nat. Med. 23, 405–408, 2017). Las representaciones moleculares fueron generadas a partir de estructuras SMILES, incluyendo fingerprints moleculares tradicionales (MACCS, ECFP4/6, FCFP4/6 y RDKitFP) y embeddings basados en modelos Transformer, como ChemBERTa (Chithrananda et al., arXiv:2010.09885, 2020).
Se evaluaron distintos modelos de machine learning para la predicción de interacciones droga–virus, incluyendo Random Forest, Logistic Regression, Support Vector Machine, XGBoost y modelos basados en redes neuronales. La metodología de evaluación se basó en una estrategia leave-one-out, en la que cada compuesto bioactivo conocido fue considerado individualmente y posteriormente priorizado frente a un conjunto de aproximadamente 4000 fármacos candidatos. Este procedimiento permitió analizar la capacidad de los modelos para recuperar compuestos con actividad antiviral conocida entre un gran número de alternativas.
Los resultados preliminares indican que las representaciones moleculares basadas en Transformers y los modelos de ensamblado, particularmente Random Forest, mostraron un desempeño competitivo en la priorización de compuestos antivirales. Además, el enfoque propuesto permitió priorizar candidatos con potencial actividad antiviral frente a múltiples virus, proporcionando una herramienta de apoyo para futuras etapas de validación experimental.
Este trabajo demuestra el potencial de combinar representaciones moleculares y modelos de machine learning para el descubrimiento computacional de antivirales de amplio espectro, contribuyendo a la aplicación de métodos bioinformáticos en el reposicionamiento de fármacos.