Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo

• Autor(a) principal: Rafael Lopes Almeida
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/60719
• topic: Aprendizado profundo; Planejamento de fármacos; Rede neural de grafos; Resistência bacteriana; Engenharia elétrica; Redes neurais (Computação); Fármacos; Aprendizado profundo; Bactérias

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.