Resumen:
Una de las enfermedades tropicales desatendidas que han puesto en jaque al mundo
por tener terapias convencionales tóxicas, poca inversión para el descubrimiento de
nuevos fármacos y resistencia emergente es la leishmaniasis. En base a este contexto,
la presente investigación tuvo como objetivo emplear por primera vez algoritmos de
inteligencia artificial para ayudar en el diseño in silico de posibles péptidos
leishmanicidas. Para ello se utilizaron 10 técnicas de machine learning y una
optimización de los modelos utilizando matrices de correlación de Kendall. Estas
herramientas se entrenaron en un conjunto de datos curado que consiste en péptidos
antileishmania (ALPs), antimicrobianos (AMPs) y no parasitarios (no APPs) probados
experimentalmente y almacenados en la literatura: ADP3 y PredAPP. Luego, se
diseñaron y testearon 5000 secuencias aleatorias, de las cuales 221 se destacaron
como posibles agentes que podrían presentar acción contra Leishmania. Todas estas
moléculas con actividad potencial son nuevas porque no se encuentran en las bases de
datos de péptidos antimicrobianos y parasitarios más actualizadas. La exactitud de
clasificación de los 5 modelos establecidos es: Random Forest (RF): 92%, Support
Vector Machines con Polynomial Kernel: 90%, Stochastic Gradient Boosting (SGB): 89% para la clasificación de no APP - ALP y RF - 87%, SVM P - 85% para la predicción de clases AMP - ALP. Por lo tanto, con esta investigación se presenta un útil enfoque in
silico basado en inteligencia artificial que permite el descubrimiento a gran escala de
péptidos antileishmania
