BOOSTING DE FILTROS COLABORATIVOS PARA PREDICCION DE INTERACCIONES FARMACO-PROTEINA

Abstract

El problema de predicción de interacciones farmaco-proteına es de vital importancia para las ciencias farmacéuticas, permitiendo conocer nuevos efectos adversos o usos para fármacos conocidos, así también, para el desarrollo de nuevos fármacos. Los métodos computacionales, o también conocidos como insilico, han venido a ayudar en el proceso de detección de interacciones farmaco-proteına, reduciendo tiempo y costos frente a métodos clásicos. Sin embargo, dado el bajo número de interacciones farmaco-proteına conocidas, aun es un problema desafiante. ´ En este trabajo se propone juntar dos ideas emergentes, la utilización de filtros ´ colaborativos para recomendar interacciones probables, y los métodos de ensamblado ´ que funcionan como un comité de expertos, mejorando el desempeño de un modelo ˜ mediante la utilización de varios modelos independientes. Con estas dos ideas se busca ´ crear un boosting adaptativo (AdaBoost) de filtros colaborativos, bajo la hipótesis ´ que el modelo diseñado tendrá un desempeño significativamente mejor que el filtro colaborativo utilizado para su creación. Luego de una evaluación exhaustiva en 8 conjuntos de prueba y considerando distintas situaciones de interés para el desarrollo de fármacos, los resultados muestran que el modelo propuesto logra mejoras significativas cuando se buscan interacciones entre fármacos y proteínas conocidas, o cuando se requiere recomendar una pequeña cantidad de interacciones