Predicción de los mecanismos de acción (MoA) asociados al uso de fármacos a través de modelos de machine learning

RESUMEN : En el pasado los científicos obtenían los fármacos a partir de productos naturales o se basaban en remedios tradicionales, muchos de estos eran obtenidos de manera empírica mediante la observación de los efectos externos. En la actualidad y con el avance de la tecnología, el descubrimiento de fármacos ha cambiado de los enfoques empíricos del pasado a un modelo más específico basado en la comprensión del mecanismo biológicos subyacente de una enfermedad, evaluados principalmente en las células. El entendimiento de estos mecanismos es vital ya que permite conocer el efecto de los fármacos sobre las células con el fin de evitar la toxicidad en estas. Una de las formas para la evaluación de estos mecanismos es a través de ensayos de viabilidad celular que permiten, mediante pruebas de laboratorio, la recombinación de diferentes células con un único ADN (ácido desoxirribonucleico). Cada célula es tratada con diferentes tipos de fármacos y mediante espectrometría de masas es posible identificar las distribuciones de las respuestas de estas, donde se encuentran los mecanismos de acción. Esta evaluación crea unos picos de intensidad y permite identificar diferentes tipos de proteínas que son activadas con el uso de estos fármacos. Esta activación de proteínas es un mecanismo de respuesta celular conocido por sus siglas en inglés como mechanisms of action (MoA). Este MoA es básicamente la manera como un fármaco afecta una célula, haciendo que esta active una proteína (este tipo de activaciones pueden ser proteínas, molécula de RNA, etc). Una de las mayores dificultades que existe en la evaluación de fármacos, es que se necesitan muchas pruebas de laboratorio que permitan identificar las diferentes proteínas que están siendo activadas. Por esto, los modelos predictivos pueden ser una solución para usar bancos de células ya evaluados y poder relacionar sus respuestas con células a las cuales aún no se les han estudiado sus Mo.

• Autores: Villamil Franco, Yeison Fernando; Castrillón Buitrago, Marcela Andrea
• Tipo de recurso: Tesis
• Fecha de publicación: 2021
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/19957
• Acceso en línea: http://hdl.handle.net/10495/19957; https://github.com/yeivillamil/Proyecto_MecanismosdeAccion
• Palabra clave: Tecnología farmacéutica; Pharmaceutical technology; Biotecnología; Biotechnology; Proteína; Proteins; Farmacología; Pharmacology; Viabilidad; Viability; Propiedades biológicas; Biological properties; Medicamentos; Drugs; Mecanismos de acción, machine learning, deep learning, máquinas de soporte, XGBoost, cross-entropy; Mecanismos de acción, machine learning, deep learning, máquinas de soporte, XGBoost, cross-entropy; http://aims.fao.org/aos/agrovoc/c_8210; http://aims.fao.org/aos/agrovoc/c_1501; http://aims.fao.org/aos/agrovoc/c_2395; http://vocabularies.unesco.org/thesaurus/concept4099; http://vocabularies.unesco.org/thesaurus/concept619; http://vocabularies.unesco.org/thesaurus/concept3947; http://vocabularies.unesco.org/thesaurus/concept243
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/