Aplicações de Aprendizado Profundo para Prever Propriedades Farmacológicas de Fármacos e Reposicionamento de Fármacos Usando Dados Transcriptômicos

O aprendizado profundo está avançando rapidamente em muitas áreas da ciência e tecnologia, com várias histórias de sucesso em reconhecimento de imagem, texto, voz e vídeo, robótica e condução autônoma. Neste artigo, demonstramos como redes neurais profundas (DNN) treinadas em grandes conjuntos de dados de resposta transcriptômica podem classificar vários fármacos em categorias terapêuticas unicamente com base em seus perfis transcriptômicos. Utilizamos as amostras de perturbação de 678 fármacos nas linhagens celulares A549, MCF-7 e PC-3 do Projeto LINCS e as vinculamos a 12 categorias de uso terapêutico derivadas do MeSH. Para treinar a DNN, utilizamos tanto dados transcriptômicos a nível de gene quanto dados transcriptômicos processados usando um algoritmo de pontuação de ativação de via, para um conjunto de dados agrupados de amostras perturbadas com diferentes concentrações do fármaco por 6 e 24 horas. Em ambas as classificações a nível de via e a nível de gene, a DNN alcançou alta precisão de classificação e superou de forma convincente o modelo de máquina de vetor de suporte (SVM) em todos os problemas de classificação multiclasse, no entanto, os modelos baseados em dados a nível de via tiveram um desempenho significativamente melhor. Pela primeira vez, demonstramos uma rede neural de aprendizado profundo treinada em dados transcriptômicos para reconhecer propriedades farmacológicas de múltiplos fármacos em diferentes sistemas e condições biológicas. Também propomos o uso de matrizes de confusão de redes neurais profundas para reposicionamento de fármacos. Este trabalho é uma prova de princípio da aplicação de aprendizado profundo à descoberta e desenvolvimento de fármacos.