Bioactivity Predictors for the Inhibition of Staphylococcus Aureus Quinolone Resistance Protein

La resistencia a los antibióticos es un problema que ha ido en aumento en los últimos años debido al uso inadecuado de los mismos. Sin embargo, hoy en día se emplean con frecuencia más técnicas para diseñar nuevos medicamentos. Además, la aplicación de herramientas de inteligencia artificial en el descubrimiento de nuevos fármacos ha demostrado ser una posible solución a este problema. Este artículo pretende mostrar y analizar los resultados obtenidos mediante el uso de técnicas de aprendizaje automático cuando se utilizaron dos conjuntos diferentes de características: i) construidas a partir de las reglas de Lipinski de cinco, y ii) huellas dactilares de secuencias biomoleculares. Se implementaron seis regresores para predecir el valor de la concentración inhibitoria mínima (CIM) con el fin de generar modelos que permitan identificar posibles fármacos. Se estudió un caso específico de inhibición del Staphylococcus Aureus y su proteína NorA en problemas asociados a la resistencia a antibióticos quinolonas. Para ello se utilizó un conjunto de datos de 187 secuencias extraídas del repositorio ChEmbl. Los resultados muestran que tanto las reglas de Lipinski como las huellas digitales fueron favorables para la generación de modelos que se ajustan a los valores reales de MIC de las moléculas. Los conjuntos de características utilizados y los regresores seleccionados permitieron generar modelos que pueden predecir la bioactividad de una molécula, constituyendo una herramienta que podría ser valiosa en la generación de nuevos antibióticos para combatir el problema abordado.