Comparación del desempeño de una red neural artificial y regresión lineal múltiple en la predicción de la actividad biológica de análogos de la cocaína a partir de descriptores moleculares
DOI:
https://doi.org/10.54139/revinguc.v29i3.285Palabras clave:
Actividad biológica, cocaína, redes neurales artificiales, regresión lineal múltipleResumen
El objetivo de la presente investigación, fue comparar el desempeño de las redes neurales artificiales con la regresión lineal múltiple en la predicción de la actividad biológica de los análogos de la cocaína a partir de descriptores moleculares. Para esto, se seleccionó un conjunto de 14 descriptores moleculares agrupados en descriptores químicos cuánticos y descriptores de la estructura tridimensional de la molécula y se calcularon sus valores de forma teórica, para 65 estructuras análogas de la cocaína, realizándose luego la construcción del modelo de redes neurales artificiales y regresión lineal múltiple, para la predicción de la actividad biológica expresada como afinidad (IC50). Se encontró que las redes neurales artificiales presentaron un R2 de 0,8651, mientras que la regresión múltiple lineal presentó un valor de R2 de 0,039, lo que indica que las redes neurales artificiales tienen un mejor desempeño que la regresión múltiple lineal en la predicción de la actividad biológica de los análogos de la cocaína a partir de los descriptores moleculares seleccionados, y que el efecto de los descriptores sobre la actividad biológica es de naturaleza no lineal.
Descargas
Citas
S. Bieri, A. Brachet, J.-L. Veuthey, and P. Christen, “Cocaine distribution in wild Erythroxylum species,” Journal of ethnopharmacology , vol. 103, no. 3, pp. 439–447, 2006. https://doi.org/10.1016/j.jep.2005.08.021
S. Singh, “Chemistry, design, and structure-activity relationship of cocaine antagonists,” Chemical Reviews, vol. 100, no. 3, pp. 925–1024, 2000. https://doi.org/10.1021/cr9700538
E. S. Lazer, G. J. Hite, K. A. Nieforth, and E. S. Stratford, “Synthesis and biological activity of cocaine analogs. 2. 6H-[2] Benzopyrano [4, 3-c] pyridin-6ones,” Journal of Medicinal Chemistry , vol. 22, no. 7, pp. 845–849, 1979. https://doi.org/10.1021/jm00193a018
J. Meyers, M. Carter, N. Y. Mok, and N. Brown, “On the origins of three-dimensionality in drug-like molecules,” Future medicinal chemistry, vol. 8, no. 14, pp. 1753– 1767, 2016. https://doi.org/10.4155/fmc-2016-0095
R. Todeschini and V. Consonni, Handbook of molecular descriptors. John Wiley & Sons, 2008.
J. C. Gertrudes, V. G. Maltarollo, R. A. Silva, P. R. Oliveira, K. M. Honorio, and A. B. F. da Silva, “Machine learning techniques and drug design,” Current medicinal chemistry , vol. 19, no. 25, pp. 4289–4297, 2012. https://doi.org/10.2174/092986712802884259
L. Puerta and C. Gonzalez, “Molecular descriptor to predict biological activity of analogues cocaine,” Experiment findings, 2020.
C. Nantasenamat, I.-N.-A. Chartchalerm, and P. Virapong, “Advances in computational methods to predict the biological activity of compounds,” Expert opinion on drug discovery, vol. 5, no. 7, pp. 633–654, 2010. https://doi.org/10.1517/17460441.2010.492827
S. Wolfgang H. B. and S. Matthias K., “Molecular shape diversity of combinatorial libraries: a prerequisite for broad bioactivity,” Journal of chemical information and computer sciences, vol. 43, no. 3, pp. 987–1003, 2003. https://doi.org/10.1021/ci025599w
M. Wirth, A. Volkamer, V. Zoete, F. Rippmann, O. Michielin, M. Rarey, and W. H. B. Sauer, “Protein pocket and ligand shape comparison and its application in virtual screening,” Journal of computer-aided molecular design, vol. 27, no. 6, pp. 511–524, 2013. https://doi.org/10.1007/s10822-013-9659-1
A. Das and B. K. Banik, “26 - Dipole moment in medicinal research: Green and sustainable approach,” in Green Approaches in Medicinal Chemistry for Sustainable Drug Design, ser. Advances in Green and Sustainable Chemistry, B. K. Banik, Ed. Elsevier, 2020. https://doi.org/10.1016/B978-0-12-817592-7.00021-6
A. Abdolmaleki and J. B. Ghasemi, “Inhibition activity prediction for a dataset of candidates’ drug by combining fuzzy logic with MLR/ANN QSAR models,” Chemical Biology & Drug Design, vol. 93, pp. 1139–1157, 2019. https://doi.org/10.1111/cbdd.13511
P. Žuvela, J. David, X. Yang, D. Huang, and M. W. Wong, “Non-linear quantitative structure–activity relationships modelling, mechanistic study and insilico design of flavonoids as potent antioxidants,” International journal of molecular sciences, vol. 20, no. 9, 2019. https://doi.org/10.3390/ijms20092328
X. Lin, X. Li, and X. Lin, “A review on applications of computational methods in drug screening and design,” Molecules, vol. 25, no. 6, p. 1375, 2020. https://doi.org/10.3390/molecules25061375
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Ingeniería UC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
