Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
João Paulo Ataide Martins
Antônio de Pádua Braga
Antônio de Pádua Braga
Resumo
Uma das partes vitais para a manutenção da saúde e bem estar das pessoas é a pesquisa e desenvolvimento de novos medicamentos. A busca por compostos inovadores e o reposicionamento de compostos existentes possibilita o tratamento de doenças e melhoram a qualidade de vida. Contudo, o desenvolvimento de novos fármacos é um processo demorado (levando até 10 anos) e de custo elevado (custando até 3 bilhões de dólares). Nesse contexto, uma classe de fármacos que exige uma demanda urgente de novos desenvolvimentos são os antibacterianos, devido ao grande crescimento de resistência a antibióticos por parte das bactérias. Infecções por bactérias resistentes causam maiores custos médicos, internações prolongadas e aumento da mortalidade. Ferramentas computacionais compreendem abordagens que, além de acelerar e diminuir os custos do processo, mitigam o avanço de doenças, incluindo infecções causadas por bactérias resistentes. Esse auxílio computacional é empregado de modo a automatizar testes e reduzir o número de compostos necessários nos testes pré-clínicos e nas fases clínicas iniciais (fases de maiores índices de descontinuação), focando os recursos nas amostras mais promissoras. Assim, o objetivo deste trabalho é propor modelos que utilizem aprendizado profundo, para estimar atividades antibacterianas e diversos parâmetros físico-químicos de substâncias com o intuito de descobrir potenciais antibacterianos. Foram coletados dados da atividade biológica de fármacos em quatro bactérias Gram-negativas (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa e Salmonella typhimurium) e de três propriedades físico-químicas (solubilidade em água, solubilidade em DMSO e lipofilicidade). Foi utilizada a arquitetura de Rede Neural de Grafos para abordar tarefas de classificação e regressão. Os modelos passaram pelo processo de otimização dos hiperparâmetros dos modelos. Dentre outras métricas de validação avaliadas dos modelos, os resultados alcançados demonstraram uma acurácia acima de 0.70, para modelos de classificação, e um coeficiente de determinação acima de 0.80, para os modelos de regressão. Os compostos com atividade antibacteriana e propriedades físico-químicas mais promissores poderão ser avaliados experimentalmente como potenciais antibacterianos.
Abstract
One of the essential elements for maintaining people's health and well-being is the research and development of new drugs. Pursuing innovative compounds and repositioning existing compounds enable the treatment of diseases and improve the quality of life. However, developing new drugs is time-consuming (up to 10 years) and expensive (costing up to 3 billion dollars). In this context, a class of drugs that requires an urgent demand for new developments are antibacterials due to bacteria's significant growth of resistance to antibiotics. Resistant bacterial infections cause higher medical costs, prolonged hospital stays, and increased mortality. Computational tools include approaches that, in addition to accelerating and reducing process costs, mitigate the spread of diseases, including infections caused by resistant bacteria. This computational assistance is used to automate tests and reduce the number of compounds needed in preclinical tests and the initial clinical phases (phases with higher discontinuation rates), focusing resources on the most promising samples. Thus, this study aims to propose models that employ deep learning to predict antibacterial activities and various physicochemical parameters of substances to uncover potential antibacterial agents. Biological activity data of drugs against four Gram-negative bacteria (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa, and Salmonella typhimurium) were collected, along with three physicochemical properties (water solubility, DMSO solubility, and lipophilicity). Graph Neural Network architecture was employed to address classification and regression tasks. The models underwent a process of hyperparameter optimization. Among other validation metrics evaluated for the models, the results demonstrated an accuracy exceeding 0.70 for classification models and a coefficient of determination above 0.80 for regression models. Compounds with antibacterial activity and more promising physicochemical properties may be experimentally evaluated as potential antibacterials.
Assunto
Engenharia elétrica, Redes neurais (Computação), Fármacos, Aprendizado profundo, Bactérias
Palavras-chave
Aprendizado profundo, Planejamento de fármacos, Rede neural de grafos, Resistência bacteriana