Predicción de la Permeabilidad de la Barrera Hematoencefálica (BHE) de Químicos Basada en Métodos de Aprendizaje Automático y Métodos de Conjuntos

La capacidad de los químicos para entrar en la barrera hematoencefálica (BHE) es un factor clave para el desarrollo de fármacos del sistema nervioso central (SNC). Aunque se han desarrollado muchos modelos para la predicción de la permeabilidad de la BHE, tienen precisión (ACC) y sensibilidad (SEN) insuficientes. Para mejorar el rendimiento, se construyeron modelos de conjunto para predecir la permeabilidad de la BHE de compuestos. En este estudio, se desarrollaron modelos de aprendizaje conjunto in silico utilizando 3 algoritmos de aprendizaje automático y 9 huellas moleculares de 1757 químicos (integrados de 2 conjuntos de datos publicados) para predecir la permeabilidad de la BHE. El mejor rendimiento de predicción de los modelos de clasificadores base se logró mediante un modelo de predicción basado en un bosque aleatorio (RF) y una huella molecular MACCS con un ACC de 0.910, un área bajo la curva de características operativas del receptor (ROC) (AUC) de 0.957, una SEN de 0.927 y una especificidad de 0.867 en una validación cruzada de 5 pliegues. El rendimiento de predicción de los modelos de conjunto es mejor que el de la mayoría de los clasificadores base. El modelo de conjunto final también ha demostrado buena precisión para una validación externa y puede ser utilizado para el cribado temprano de fármacos del SNC.