Promediación de Modelos Bayesianos para el Descubrimiento de Ligandos

La cribado de alto rendimiento (HTS) es ahora un enfoque estándar utilizado en la industria farmacéutica para identificar posibles moléculas líderes similares a fármacos. El análisis que vincula datos biológicos con propiedades moleculares es un objetivo principal tanto en la investigación académica como en la farmacéutica. Este artículo presenta un análisis bayesiano de datos de descriptores de alta dimensión utilizando simulaciones de Monte Carlo por cadena de Markov (MCMC) para aprender árboles de clasificación como un nuevo método para el descubrimiento de farmacóforos y ligandos. Usamos datos de afinidad de unión determinados experimentalmente con la proteína piruvato quinasa para entrenar y evaluar nuestro algoritmo de promediación de modelos y luego lo aplicamos a una gran base de datos de más de 3.7 millones de moléculas. Comparamos los resultados de varias variaciones sobre el tema bayesiano central con los de dos arquitecturas de Redes Neuronales (NN) y los de Máquinas de Vectores de Soporte (SVM). El algoritmo bayesiano principal, además de lograr alta especificidad y sensibilidad, también se presta naturalmente a clasificar conjuntos de prueba con datos faltantes y proporcionar un ranking para los compuestos clasificados. El enfoque se ha utilizado para seleccionar y clasificar compuestos potencialmente activos biológicamente y podría proporcionar una herramienta poderosa en la evaluación de compuestos.