Predicción in silico de la bioactividad antimicrobiana de una librería virtual de péptidos usando modelos de aprendizaje automatizado

Abstract

La resistencia a los antibióticos a constituido un problema en la salud pública debido a la rápida propagación de cepas bacterianas resistentes, es por ello que se investigan metodologías que optimicen el proceso de la búsqueda e identificación de nuevos compuestos antimicrobianos que puedan combatirlos eficazmente. Los modelos basados en Inteligencia Artificial representan una metodología de optimización de búsqueda e identificación a gran escala de estos compuestos bioactivos. En este estudio se construyó una librería virtual (base de datos propia) de péptidos a partir de bases de datos públicas, filtrando las secuencias en función de la longitud y la concentración inhibitoria mínima (CIM) frente a Escherichia coli y Staphylococcus aureus. Las propiedades fisicoquímicas de los péptidos se determinaron utilizando una paquetería Python personalizada, my_properties, que mostró una elevada concordancia con herramientas ya establecidas. Se desarrollaron y evaluaron tres modelos de aprendizaje automático: máquina de vectores de apoyo (SVM), árbol de decisión y red neuronal profunda (DNN). Respecto a los modelos SVM y de árbol de decisión, el modelo DNN, denominado my_ANN, demostró un rendimiento superior tanto en precisión (84.91%), como en sensibilidad (84,71% y especificidad (85.12%), validándose mediante el uso de secuencias externas de péptidos, mostrando una capacidad de predicción robusta comparable a los métodos más avanzados. Se desarrolló una herramienta de recomendación que utiliza el modelo my_ANN para predecir la actividad antimicrobiana de nuevas secuencias peptídicas y generar variaciones con una bioactividad potencialmente mejorada. Los resultados sugieren que los modelos de aprendizaje automático, en particular el aprendizaje profundo, ofrecen un enfoque prometedor para el descubrimiento rápido y rentable de nuevos agentes antimicrobianos.