Estudio cuantitativo de la relación estructura-actividad de los péptidos antimicrobianos empleando métodos de aprendizaje automático

• Autor: Bonifacio Velez de Villa, Eliezer Isaí
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/22429
• Enlace del recurso: https://hdl.handle.net/20.500.12672/22429
• Nivel de acceso: acceso abierto
• Materia: Antibióticos peptídicos; Aprendizaje automático; Agentes antiinfecciosos; https://purl.org/pe-repo/ocde/ford#3.01.06; https://purl.org/pe-repo/ocde/ford#1.02.03

Los péptidos antimicrobianos son una clase de moléculas que se presentan como buenos antimicrobianos y con mecanismos que evitan la resistencia. El diseño de péptidos que posean buena actividad puede ser complejo y laborioso. Por tanto, el estudio de sus relaciones cuantitativas estructura-actividad mediante algoritmos de aprendizaje automático puede dar luces a un diseño racional y efectivo. Se obtuvo una base de datos estructurada de péptidos antimicrobianos y sus descriptores con la cual se diseñaron 56 modelos de aprendizaje automático. Los modelos basados en Random-Forest mostraron mejor desempeño y de estos, los modelos de regresión mostraron desempeños variables (R²=0.339-0.574), mientras que los modelos de clasificación mostraron buenos desempeños (MCC=0.662-0.755 y ACC=0.831-0.877). Aquellos modelos basados en grupos bacterianos mostraron mejor desempeño que aquellos basados en todo el conjunto de datos. Las propiedades de los nuevos péptidos generados se relacionan con descriptores importantes que codifican propiedades fisicoquímicas como menor peso molecular, mayor carga, propensión a formar estructuras alfahelicoidales, menor hidrofobicidad y mayor frecuencia de aminoácidos como lisina y serina. Los modelos de aprendizaje automático permitieron establecer las relaciones estructura-actividad de péptidos antimicrobianos. Los modelos de clasificación tuvieron mejor desempeño que los de regresión. Estos modelos permitieron hacer predicciones y se propusieron nuevos péptidos de alto potencial antimicrobiano. Finalmente, se obtuvo una herramienta disponible en: https://github.com/EliezerBonifacio/AMP_Prediction_ColabTool.