Page 47 - 78_01

NURIA
E.
CAMPILO
y
col.

Estos
modelos
han
utilizado
diferentes
tipos
de
descriptores
que
incluyen

tanto
parámetros
clásicos,
como
otros
obtenidos
mediante
química
cuántica
(29,

31,
54,
55).
Las
estrategias
matemáticas
más
utilizados
en
el
desarrollo
de
estos

modelos
corresponden
a
métodos
de
regresión
lineal
múltiple,
si
bien
también
han

sido
usados
métodos
no
lineales
(32,
48,
56).
Un
ejemplo
que
puede
aplicarse
para

la
predicción
de
nuevas
moléculas
(52),
se
refiere
al
desarrollo
de
un
modelo

cualitativo
que
mediante
un
análisis
discriminante,
permite
diferenciar
los

compuestos
activos/inactivos
frente
a
la
inhibición
de
la
Tripanotiona
reductasa

(IC50)
con
un
90%
y
89%
de
aciertos,
en
el
conjunto
de
entrenamiento
y
validación,

respectivamente.
En
el
desarrollo
del
modelo
se
consideraron
1612
descriptores

(geométricos
y
topológicos)
y
se
estableció
un
modelo
validado
con
35
estructuras.

2.4.1.2.
Redes
neuronales
artificiales

En
el
siglo
XXI
se
ha
incrementado
la
utilización
de
la
inteligencia
artificial,

metodología
basada
en
aproximaciones
matemáticas
no
lineales.
Este
tipo
de

métodos
consiguen
simular
procesos
biológicos,
ya
sean
cambios
evolutivos
o

mutaciones
en
el
caso
de
los
algoritmos
genéticos
(57,
58)
o
el
comportamiento
de

las
redes
neuronales
biológicas
en
el
caso
de
las
RNA
(redes
neuronales

artificiales)
(59-­-62).

Una
red
neuronal
artificial
es
un
modelo
de
procesamiento
de
la

información
inspirado
en
el
funcionamiento
del
sistema
nervioso
biológico
y
trata

por
tanto,
de
reproducir
las
características
del
cerebro
humano.
La
estructura
de

este
sistema
de
procesamiento
se
compone
de
un
gran
número
de
elementos

interconectados
(neuronas)
que
procesan
la
información
recibida.
El

funcionamiento
de
una
red
neuronal
depende
de
la
arquitectura,
del
tipo
de

conexión
entre
las
neuronas,
y
del
mecanismo
de
aprendizaje
(63)
empleado
en
el

proceso
de
entrenamiento.

Durante
el
proceso
de
aprendizaje
la
red
neuronal
puede
modificar
los

pesos
de
las
interconexiones
en
respuesta
a
los
datos
de
entrada
atendiendo
a

diferentes
criterios
(64).
En
el
aprendizaje
supervisado
el
proceso
se
realiza

mediante
un
entrenamiento
controlado
por
un
agente
externo
(supervisor
o

maestro)
que
determina
la
respuesta
que
debería
generar
la
red
a
partir
de
los

datos
de
entrada.
En
el
aprendizaje
no
supervisado,
la
red
no
requiere
de
la

influencia
externa
para
ajustar
los
pesos
de
las
conexiones
entre
sus
neuronas
y

por
tanto,
no
recibe
ninguna
información
por
parte
del
entorno
que
le
indique
si
la

salida
generada
en
respuesta
a
una
entrada
es
o
no
correcta.
Este
tipo
de
redes
son

capaces
de
autoorganizarse,
buscando
las
características,
regularidades
o
patrones

que
se
pueden
establecer
entre
los
datos
de
entrada.

Un
ejemplo
de
aplicación
de
esta
metodología
ha
sido
realizada
en
46

cetonas
en
las
que
se
ha
establecido
un
modelo
de
correlación
con
la
constante
de

44