Page 48 - 78_01

…ENFERMEDAD
DE
CHAGAS

inhibición
de
la
cruzipaína
mediante
una
red
neuronal
siguiendo
el
método
de

regulación
Bayesiana
(65).

Otra
estrategia
diferente
basada
en
redes
neuronales
artificiales
que

permite
la
predicción
de
la
actividad
anti-­-T.
cruzi
de
cualquier
tipo
de
molécula
ha

sido
descrita
por
nuestro
grupo
de
trabajo
(66).
Este
procedimiento
está
basado

íntegramente
en
la
utilización
de
redes
neuronales
artificiales
tanto
en
el
proceso

de
definición
de
las
moléculas
como
en
el
modelo
de
predicción.
La
metodología

desarrollada
para
la
obtención
del
modelo
matemático,
consiste
en
varias
etapas

(Figura
6).

Un
conjunto
representativo
de
72
compuestos
obtenidos
de
Cerecetto
y
col.

(33)
con
diversidad
tanto
estructural
como
biológica
fue
seleccionado
para
el

estudio.
Teniendo
en
cuenta
el
porcentaje
de
la
inhibición
del
crecimiento,
la

definición
de
las
moléculas
fue
realizada
mediante
una
red
neuronal
no

supervisada
utilizando
el
programa
CODES®
(67).
CODES®
genera
descriptores

topológicos
de
las
estructuras
mediante
una
red
neuronal
basada
en
un
modelo
de

activación
y
competición
interactiva
(IAC)
a
partir
de
las
estructuras
graficas.

CODES®
parte
de
la
representación
gráfica
de
la
molécula,
generando
el

correspondiente
espacio
topológico
que
posteriormente
es
trasladado
a
un
espacio

neuronal
(red
neuronal
isomorfa).
Para
cada
molécula,
CODES®
genera
un
vector

numérico
con
tantos
elementos
(descriptores)
como
átomos
tenga
la
molécula.

Puesto
que
el
procesamiento
de
esta
RNA
es
secuencial,
para
cada
subproceso
o

iteración
se
generará
un
vector
de
actividad.
El
conjunto
de
todos
estos
vectores

constituye
una
matriz
dinámica,
con
tantas
columnas
como
átomos
tenga
la

molécula
y
cuyo
último
vector
representa
el
estado
de
equilibrio
del
proceso.

La
reducción
de
dimensiones
de
cada
matriz
dinámica
(las
estructuras

quedan
codificadas
en
cuatro
descriptores)
se
realiza
mediante
una
red
neuronal

de
retropropagación
del
error
y
es
necesaria
para
no
perder
la
información
de
la

matriz
dinámica
de
CODES
y
para
que
el
número
de
variables
sea
el
mismo
para

todas
las
moléculas.
Durante
el
entrenamiento
de
la
red
se
estudian
diferentes

arquitecturas
utilizando
una
red
de
retropropagación
del
error
mediante
un

aprendizaje
supervisado,
ya
que
cada
molécula
de
la
serie
de
entrenamiento
va

asociada
con
su
valor
de
actividad.

Siguiendo
esta
metodología
se
ha
desarrollado
una
red
neuronal
(68)
de

arquitectura
4-­-4-­-1,
a
partir
de
37
compuestos
que
presenta
una
capacidad
de

predicción
del
78%
en
el
test
de
validación
externa
(35
compuestos)
(Figura
7).

Las
ventajas
más
destacables
de
esta
metodología
son:
a)
se
puede
aplicar
a

conjuntos
de
moléculas
quimio-­-
y
biodiversas;
b)
no
es
necesario
conocer
la

estructura
tridimensional
de
los
mínimos
conformacionales;
c)
no
es
necesaria
una

45