Modélisation de Temps de Demi-vie des Quelques Médicaments par Réseaux de Neurones Artificiels

Abstract

"L'objectif de cette étude est la modélisation neuronale d’un paramètre pharmacocinétique (le temps de demi-vie) des trois classes médicamenteuses. L’étude a été appliquée pour construire de trois modèles capables d’estimer le temps de demi-vie des antiinflammatoires, des antibiotiques et des enzymes de thromboses par réseaux de neurones artificiel RNA. Une base de données de 285 médicaments a été élaborée pour construire les modèles neuronaux, divisés en trois familles : 65 pour les ANTI-I, 108 pour les ANTI-B, et 112 molécules pour les ENZ, chaque base a été divisé en deux parti 80% pour l’apprentissage et 20 % pour le test. Cinq principaux étapes ont été utilisé dans le processus d’estimation : (1) Optimisation des molécules et calcule des descripteurs, (2) Prétraitement et sélection des meilleurs descripteurs, (3) Choix des paramètres de réseaux et construction des modèles, (4) Test des performances des trois modèles par différents types d’erreurs et en fin (5) une comparaison des trois modèles neuronales dans l’estimation de temps de demi-vie t(1/2). Les architectures des meilleurs PMC-RNA obtenue sont : {11-(6)-1}, {12-(9)-1} et {12-(3)-1} respectivement pour les ANTI-I, ANTI-B et ENZ, avec des coefficients de régression R de 0,9898, 0.9869 et 0.7191; ceci par les trois modèles et dans la totalité de la base des données. Les résultats obtenus ont montré que les modèles des ANTI-I et des ANTI-B prédire le temps de demi-vie avec une grande précision par rapport le modèle des ENZ. Les résultats des erreurs calculées de ESP (%) égale à 21.73 et 46.9034 % ; et de REQM égale à 1,87 et 3.8922 respectivement pour les modèles des ANTI-I et ANTI-B, alors que le modèle des ENZ donne des erreurs de ESP (%) égale à 83.2388 % et de valeur de REQM égale à 8.4754. Par conséquent, l'utilisation des modèles QSAR dans les problèmes d'estimation des paramètres devrait être encouragée en divers domaine telle que les procédés pharmaceutiques afin d'obtenir des modèles robustes."