VII Simposio Internacional de Ciencias Farmacéuticas 2019 "VII SICF" -VII Simposio "Diseño, Obtención y Desarrollo de Fármacos"

VII Simposio Internacional de Ciencias Farmacéuticas 2019

VII SICF

Desarrollo de multiclasificadores para la preddicción de mutagenicidad de ingredientes farmacéuticos activos

Resumen [ES]

En el proceso de desarrollo de fármacos resultan de vital importancia los estudios de toxicidad pues evalúan la posible acción negativa que pueden provocar en los pacientes. Dentro de estos ensayos, los de mutagenicidad son especialmente costosos y difíciles de realizar. Una forma que permite reducirlos es el uso de técnicas auxiliares como los cribados in vitro e in silico de sustancias orgánicas con potencialidades farmacológicas. El presente trabajo, describe un estudio in silico para desarrollar modelos de clasificación que sean capaces de predecir la mutagenicidad de sustancias orgánicas que constituyen ingredientes farmacológicos activos o forman parte de la formulación de un medicamento. En el estudio se empleó la base de datos "SAR Genetox" (versión 2012) de la FDA, de la que derivaron 4 bases de datos de sustancias con mutagenicidad reportada para 4 ensayos regulatorios definidos por la OECD. Las bases de datos fueron curadas y posteriormente utilizadas para el cálculo de descriptores moleculares 0D-2D, implementados en los programas ISIDA_Fragmentor y DRAGON. Los descriptores más representativos junto a la variable respuesta, se emplearon para entrenar modelos de clasificación y multiclasificación, usando varios tipos de algoritmos de aprendizaje automatizado. Estos fueron validados interna y externamente utilizando el software WEKA a través de validación cruzada y predicción sobre un conjunto de prueba. Los mejores modelos alcanzan más del 75% de clasificación sobre una serie externa; resultado satisfactorio considerando la heterogeneidad de las bases de datos. Además estos resultados superan las predicciones de algoritmos establecidos como el módulo de mutagénesis del TOXTREE.

Resumen [EN]

En el proceso de desarrollo de fármacos resultan de vital importancia los estudios de toxicidad pues evalúan la posible acción negativa que pueden provocar en los pacientes. Dentro de estos ensayos, los de mutagenicidad son especialmente costosos y difíciles de realizar. Una forma que permite reducirlos es el uso de técnicas auxiliares como los cribados in vitro e in silico de sustancias orgánicas con potencialidades farmacológicas. El presente trabajo, describe un estudio in silico para desarrollar modelos de clasificación que sean capaces de predecir la mutagenicidad de sustancias orgánicas que constituyen ingredientes farmacológicos activos o forman parte de la formulación de un medicamento. En el estudio se empleó la base de datos "SAR Genetox" (versión 2012) de la FDA, de la que derivaron 4 bases de datos de sustancias con mutagenicidad reportada para 4 ensayos regulatorios definidos por la OECD. Las bases de datos fueron curadas y posteriormente utilizadas para el cálculo de descriptores moleculares 0D-2D, implementados en los programas ISIDA_Fragmentor y DRAGON. Los descriptores más representativos junto a la variable respuesta, se emplearon para entrenar modelos de clasificación y multiclasificación, usando varios tipos de algoritmos de aprendizaje automatizado. Estos fueron validados interna y externamente utilizando el software WEKA a través de validación cruzada y predicción sobre un conjunto de prueba. Los mejores modelos alcanzan más del 75% de clasificación sobre una serie externa; resultado satisfactorio considerando la heterogeneidad de las bases de datos. Además estos resultados superan las predicciones de algoritmos establecidos como el módulo de mutagénesis del TOXTREE.

Sobre el ponente

Adonis Huici

MsC. Adonis Huici

UCLV Flag of Cuba
Información Práctica
Póster digital
Spanish / Español
No definido
30 minutos
No definido
Autores
Aliuska morales helguera
Guillermo abreu stincer
MsC. Adonis Huici
Reinaldo molina ruiz
Alfonso pérez garrido
Palabras clave
multiclasificadores
mutagenicidad
qsar