NIFPTML: Network invariant, information fusion, perturbation theory, machine learning study of dual antibacterial drugs-nanoparticles (DADNP) systems-metabolic networks interaction.

Abstract

La combinación de enfoques computacionales clásicos con técnicas de aprendizaje automático (MLT) está ganando adeptos en el mundo académico y en la industria. Las MLT se utilizan en procesos de quimioinformática para predecir la actividad de un fármaco desconocido y descubrir así nuevos fármacos antibacterianos potenciales (AD). Esta tesis se centra en el diseño de una metodología basada en la aplicación de la teoría de la perturbación (PT) combinada con métodos de aprendizaje automático (ML) y la fusión de información para predecir la actividad antibacteriana de fármacos en fase de diseño desde la información de ensayos preclínicos, estructuras químicas, nanopartículas y variaciones de redes de reacción metabólica de múltiples microorganismos. En primer lugar, se realizó una exploración sobre el estado del arte sobre la resistencia bacteriana, las dianas y mecanismos de acción, las bases de datos útiles para la modelización computacional, las técnicas de aprendizaje automático y los algoritmos de evaluación del rendimiento aplicados en el campo de los fármacos antibacterianos. Posteriormente, se continuó con el estudio con la creación de un modelo computacional para estudiar la conectividad (estructura) de un metabolito en las redes de reacción metabólica de un organismo de consulta. Una vez identificado los principales nodos (metabolitos), reacciones metabólicas de > 40 especies bacterianas se relacionaron cuantitativamente con los datos químicos y preclínicos de la base de datos ChEMBL. A continuación, se desarrolló un modelo para la predicción de actividades biológicas de fármacos antibacterianos funcionalizados con sistemas de nanopartículas. Finalmente, se realizó un análisis y mapeo de sistemas DADNP (AD + NP) contra MN de especies bacterianas patógenas mediante el Invariancia de la red (NI) Aprendizaje Automático (ML) por Fusión de Información (IF) con Teoría de la Perturbación (PT) (NIFPTML=N+IF+PT+ML) como una aplicación de los métodos de IA/ML en la búsqueda de fármacos antibacterianos (AD) que hagan frente a la aparición de cepas multirresistentes. La estrategia aditiva NIFPTMTL puede convertirse en una herramienta útil para ayudar al diseño y descubrimiento de nuevos sistemas DADNP.