Modelos multi-escala de inteligencia artificial para diseño quimio-informático y fármaco-epidemiológico de terapias anti-VIH en Condados de Estados Unidos
Use este enlace para citar
http://hdl.handle.net/2183/14717Coleccións
- Teses de doutoramento [2162]
Metadatos
Mostrar o rexistro completo do ítemTítulo
Modelos multi-escala de inteligencia artificial para diseño quimio-informático y fármaco-epidemiológico de terapias anti-VIH en Condados de Estados UnidosAutor(es)
Director(es)
Munteanu, Cristian RobertGonzález Díaz, Humberto
Pazos, A.
Data
2015Centro/Dpto/Entidade
Universidade da Coruña. Departamento de Tecnoloxías da Información e as ComunicaciónsResumo
[Resumen]Los métodos que relacionan la estructura química con la actividad biológica se conocen
como “relaciones cuantitativas estructura-actividad” (en adelante QSAR). Es fundamental
entender y cuantificar la relación entre la estructura y la actividad biológica de los potenciales
fármacos para realizar su estudio eficiente. Este tipo de estudio consiste en correlacionar, por
medio de descriptores moleculares, distintas propiedades químicas o fisicoquímicas de las
moléculas en cuestión con valores de actividad biológica. Actualmente, el desarrollo de
medicamentos más seguros y efectivos en el tratamiento de enfermedades como el SIDA es
un objetivo que requiere del esfuerzo de un elevado número de especialistas en diferentes
campos de la Ciencia, y donde el azar ha tenido un gran protagonismo. Sin embargo, parece
razonable pensar que nunca se obtendrán medicamentos eficaces y seguros con sólo acudir al
azar.
Para ser más eficientes en el desarrollo de nuevos fármacos, la investigación en el
tratamiento de las enfermedades requiere poseer mecanismos predictivos de algunas
actividades. Los modelos basados en “redes de neuronas artificiales” (en adelante RRNNAA)
son un ejemplo de modelos teóricos de predicción, ampliamente utilizados en muchas áreas
de la Ciencia, como medicina, química, bioquímica…, así como también en el desarrollo de
medicamentos. En esto último, son muy útiles para la predicción de propiedades de los
potenciales fármacos. Las RRNNAA se aproximan a la forma de operar que usa el cerebro
humano, con habilidad para abordar con éxito los datos, las informaciones y los
conocimientos naturales, o del mundo real, que están afectados por lo que se conoce como la
“maldición de la cuádruple I”, por ser datos: inciertos, inconsistentes, incompletos e
imprecisos. Esta particularidad hace que sean difíciles de gestionar adecuadamente por las
técnicas computacionales convencionales, haciendo precisa la utilización de técnicas de
Inteligencia Artificial, como son las ya citadas RRNNAA. La mayor ventaja de estos
modelos inteligentes de predicción es que permiten evitar costes innecesarios producidos por
desarrollos de nuevos compuestos con potencialidad terapéutica que resultarán estériles.Por lo tanto, el objetivo principal de la tesis aquí presentada es el desarrollo, con
técnicas de inteligencia artificial, de una metodología “quimioinformática multi-escala” que
permita relacionar cuantitativamente datos químicos y pre-clínicos con datos
epidemiológicos, para llevar a cabo predicciones “fármaco-epidemiológicas”, teniendo en
cuenta la imposibilidad práctica y legal de obtener datos experimentales, en la fase IV del
proceso de desarrollo de nuevos compuestos [Resumo]Os métodos que relacionan a estrutura química coa actividade biolóxica son chamados
“relacións cuantitativas estrutura – actividade” (en adiante QSAR). É esencial para entender e
cuantificar a relación entre a estrutura e a actividade biolóxica dos potenciais fármacos para
realizar o seu estudio eficiente. Este tipo de estudo consiste en correlacionar, a través de
descritores moleculares, distintas propiedades químicas ou fisicoquímicas de las moleculas en
cuestión, con valores de actividade biolóxica. Actualmente, o desenvolvemento de
medicamentos máis seguros e efectivos no tratamento de enfermidades como o SIDA é un
obxectivo que require do esforzo de un gran número de especialistas en diferentes campos da
ciencia, e onde o azar tivo un gran protagonismo. Nembergantes, parece razoable pensar que
nunca se obterían medicamentos eficaces e seguros con só acudir ao azar.
Para ser máis eficaces no desenvolvemento de novos farmacos, a investigación para o
tratamento de enfermidades require mecanismos preditivos de algunhas actividades. Os
modelos baseados en redes neurais artificiais (en adiante RRNNAA) son un exemplo de
modelos teóricos de predición amplamente utilizado en moitas áreas da ciencia, como
medicina, química, bioquímica..., así como tamén no desenvolvemento de medicamentos.
Nesto último, son moi útiles para a predición de propiedades dos potenciais medicamentos.
As RRNNAA achegánse ao xeito de funcionar do cerebro humano, coa capacidade para
abordar con éxito los datos, las informaciones y los conocimientos naturales, o del mundo
real, que están afectados polo que se coñece como a “maldición da cuadrúple I”, por ser
dados: incertos, inconsistentes, incompletos e imprecisos. Esta particularidade fai que sexan
díficiles de xestionar axeitadamente coas técnicas computacionais convencionais, facendo
preciso o uso de técnicas de Intelixencia Artificial, como son as xa citadas RRNNAA. A
maior vantaxe destes modelos preditivos intelixentes é que permiten evitar custos
innecesarios producidos polos desenvolvementos de novos compostos con potencial
terapéutico que resultaran esteriles.
Polo tanto o obxectivo principal da tese aquí presentada é o desenvolvemento, con
tecnicas de intelixencia artificial dunha metodoloxía “quimioinformática multi-escala” que
permita relacionar cuantitativamente datos químicos e pre-clínicos con datos epidemiolóxicos, para levar a cabo predicións fármaco-epidemiolóxicas, tendo en conta a
imposibilidade práctica e legal de obter datos experimentais na fase IV do proceso de
desenvolvemento de novos compostos. [Abstract]The methods relating chemical structure to biological activity are called “Quantitative
Structure Activity Relationships” (QSAR). It is essential to understand and quantify the
relationships between the structure and biological activity of potential drugs to develop an
efficient study on them. This kind of study consists of the correlation of the molecular
descriptors based on several chemical or physicochemical properties with biological activity.
Currently, the development of safer and more effective drugs in the treatment of diseases
such as AIDS is a goal that requires a joint effort of a large number of specialists from
different fields of science, and where chance also has a major role. However, it seems
reasonable that no effective and safe drugs will be obtained based on chance only.
To be more efficient in developing new drugs, the research for the treatment of diseases
requires predictive mechanisms of some biological activities. The models based on "Artificial
Neural Networks" (ANNs) are an example of theoretical prediction models, widely used in
many areas of science such as Medicine, Chemistry, Biochemistry, etc. as well as in Drug
Development. In the latter, they are very useful for predicting properties of potential drugs.
ANNs approach the modus operandi used by the human brain, being able to successfully
manage data, information and natural knowledge, or from the real world, which are affected
by the so-called "curse of the fourfold I", dealing with information which is uncertain,
inconsistent, incomplete and inaccurate. This feature makes it difficult to properly manage by
conventional computational techniques, making the use of Artificial Intelligence (AI)
techniques necessary, such as the above-mentioned ANNs. The most important advantage of
these intelligent prediction models is the fact that they avoid unnecessary production costs
associated with the development of new compounds with therapeutic potential which proved
to be inactive.
Therefore, the main objective of the thesis is the development of a chemoinformatics
multi-scale methodology using artificial intelligence techniques to quantitatively relate
chemical and pre-clinical data with epidemiological data, with the aim of performing "drug -
epidemiological" predictions, taking into account the practical and legal impossibility of obtaining experimental data in Phase IV of the development process of new compounds.
Palabras chave
Inteligencia artificial en medicina
Química farmacéutica
SIDA-Tratamiento
Inteligencia artificial-Aplicaciones biológicas
Moléculas-Modelos-Simulación por ordenador
QSAR
Química farmacéutica
SIDA-Tratamiento
Inteligencia artificial-Aplicaciones biológicas
Moléculas-Modelos-Simulación por ordenador
QSAR
Dereitos
Os titulares dos dereitos de propiedade intelectual autorizan a visualización do contido desta tese a través de Internet, así como a súa reproducción, gravación en soporte informático ou impresión para o seu uso privado e/ou con fins de estudo e de investigación. En nengún caso se permite o uso lucrativo deste documento. Estos dereitos afectan tanto ó resumo da tese como o seu contido Los titulares de los derechos de propiedad intelectual autorizan la visualización del contenido de esta tesis a través de Internet, así como su repoducción, grabación en soporte informático o impresión para su uso privado o con fines de investigación. En ningún caso se permite el uso lucrativo de este documento. Estos derechos afectan tanto al resumen de la tesis como a su contenido