CRIAÇÃO E VALIDAÇÃO DE MODELOS BASEADOS EM XGBOOST PARA
PREDIÇÃO DE PROPRIEDADES FARMACODINÂMICAS DE COMPOSTOS
HETEROCÍCLICOS SOBRE O RECEPTOR 5-HT2A:
Uma avaliação do impacto de diferentes representações moleculares na
modelagem de afinidade e eficácia.
O sistema serotonérgico participa de uma imensa variedade de processos fisiológicos em diversos tipos de organismos. Em seres humanos, a serotonina modula inúmeros mecanismos fisiológicos e patológicos, relacionados desde a regulação da homeostase até aspectos comportamentais. A modulação da sinalização serotonérgica é de especial interesse para o tratamento de transtornos neuropsiquiátricos, muitos dos quais ainda não possuem seu mecanismo fisiopatológico completamente elucidado e representam custos econômicos e sociais de grande relevância. O tratamento medicamentoso utilizando-se compostos com atividade agonística sobre o receptor 5-HT2A para tais condições têm apresentado resultados promissores, especialmente em casos nos quais o tratamento farmacológico tradicional é desafiador. Este trabalho utiliza modelos de inteligência artificial baseados no algoritmo XGBoost para modelar a relação estrutura-atividade de uma série de compostos heterocíclicos sobre o receptor 5-HT2A, investigando-se a importância e o impacto do tipo de representação molecular escolhida sobre o poder preditivo de tais modelos. A abordagem metodológica aqui utilizada concentra-se em estratégias para aumentar a robustez de um modelo de baixo custo computacional na aproximação da relação estrutura-atividade de uma série relativamente pequena de compostos, com finalidade de se realizar screening virtual de moléculas com potencial de apresentar o perfil de atividade desejado. Os resultados deste estudo mostram que a escolha de descritores moleculares adequados para as características do conjunto de dados de treinamento tiveram ampla influência na capacidade de generalização dos modelos de afinidade e eficácia produzidos.