IFPTML AlgorithmsFrom Cheminformatics Models to Software Development, StartupCreation, and Innovation Transference

Resumen

La irrupción en escena de las tecnologías de detección de alto rendimiento (HTS) de fármacos ha provocado una explosión en el informe de datos de ensayos preclínicos para nuevos compuestos hit-to-lead con potencial como ingredientes farmacéuticos activos (API) en la industria farmacéutica. El análisis de todos estos datos con técnicas de Inteligencia Artificial (IA) puede conducir al desarrollo de nuevos modelos predictivos. Estos modelos pueden utilizarse a su vez para predecir compuestos más específicos y seguros con la consiguiente reducción de costes en tiempo y recursos en el desarrollo de APIs. Sin embargo, el análisis de AI de esto presenta muchos de los desafíos de los problemas de Big Data. Significa, en pocas palabras, problemas de análisis de datos con cuestiones relacionadas con Volumen, Velocidad, Veracidad, Variabilidad, Valor y Complejidad (5V + C). La primera y la segunda V se explican más o menos por sí mismas y los problemas de Variabilidad, Veracidad, Valor y Complejidad se refieren a datos con problemas de falta de datos, tendencias no consistentes, errores, informes contradictorios, interrelaciones como co-linealidad/co-linealidad. etiquetas dependientes que forman redes complejas, extrapolación de información (múltiples especies, múltiples salidas, múltiples escalas), perturbaciones en múltiples variables de entrada/salida, problemas de etiquetado múltiple, etc. En este contexto, nuestro grupo presentó InformationFusion, Algoritmo de Teoría de Perturbación y Aprendizaje Automático (IFPTML) para facilitar el desarrollo de modelos de salida múltiple de lectura transversal capaces de predecir múltiples resultados de compuestos químicos/fármacos en ensayos preclínicos. Nuestro grupo también ha informado sobre un software llamado SOFT.PTML que es una plataforma de propósito general para el modelado IFPTML. Sin embargo, aún quedan muchos aspectos por cubrir. Muchos problemas, como el descubrimiento de compuestos anticancerígenos y los estudios de ensayos de compuestos alostéricos, no se han analizado con algoritmos IFPTML. Además, aún no se ha informado sobre software fácil de usar específico para estos problemas. Por último, a pesar de la potencial aplicación en la industria, no se ha desarrollado ninguna startup (al inicio de esta tesis) para la transferencia de la tecnología IFPTML a la industria. En consecuencia, el objetivo de esta tesis se centra en primer lugar en el desarrollo de nuevos modelos IFPTML de ensayos de compuestos anticancerígenos y compuestos alostéricos. A continuación, informamos sobre el desarrollo del software LAGA, fácil de usar, para la predicción extrapolada de compuestos anticancerígenos. Por último, se describe la planificación, creación, estructura, servicios, etc. de IKERDATA S.L una nueva startup interuniversitaria enfocada a la transferencia de tecnología IFPTML a empresas gallegas y del País Vasco en primera instancia con perspectivas de proyección hacia España, Europa y a escala global en última instancia. En el Anexo de la tesis se incluye un resumen ampliado de >3000 palabras en idioma castellano (Anexo 3.1).