Prédiction des Paramètres Pharmacocinétiques des Médicaments par les RNA-QSAR

Abstract

Prédiction des paramètres Pharmacocinétique des médicaments par les RNA-QSAR Les Relations Quantitative Structure Activité (QSAR) sont appelés à jouer un rôle important dans le domaine des sciences pharmaceutiques. L'objectif principal de ce travail a été le développement de quatre modèles QSAR utilisant un réseau de neurone feed-forward pour la prédiction de la fraction du médicament liée aux protéines plasmatiques (fb) d'une série de 277 médicaments. Différents types de descripteurs (1666 au total) ont été générées à partir des structures des médicaments. Puis, trois méthodes de sélection ont été utilisées : Deux premières méthodes de sélection des descripteurs les plus pertinents appelées ‘Filter’ et ‘Wrapper’ dans lesquelles les descripteurs sont sous forme de vecteurs. Cette technique de sélection a fourni 55 et 15 descripteurs respectivement et une troisième méthode dans laquelle on considère ses descripteurs comme étant des matrices qu’on fait entrer dans un réseau de neurones à convolution. Ce dernier considère l’entrée comme des pixels d’une image et nous permet d’extraire automatiquement les caractéristiques les plus essentiels de cette soi-disant image. Nous avons extrait deux vecteurs de caractéristiques de la même dimension que ceux obtenus pour les méthodes Filter et Wrapper afin de faire une comparaison. Les stratégies et critères de validation disponibles ont été utilisés pour valider la nouvelle méthode de sélection. Cette validation à révéler sa robustesse et fiabilité. Néanmoins, la performance du modèle CN-FC15-FFNN est sensiblement meilleure que celle du modèle CN-FC55-FFNN. IL est évident que cette enquête a montré que l'extraction de caractéristiques à l'aide de CNN prend moins de temps en plus de garder toutes les informations contenues dans les caractéristiques d'origine. Contrairement aux techniques de sélection de caractéristiques, nous n'avons pas à comprendre quelles caractéristiques sont les meilleures représentations pour notre modèle, elles sont apprises pour nous.