Modelos multi-escala de inteligencia artificial para diseño quimio-informático y fármaco-epidemiológico de terapias anti-VIH en Condados de Estados Unidos

Abstract

[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.