Page 23 - 79_04

Óscar
Miguel
Rivera
Borroto
&
col.

conjuntos
de
datos
de
la
Academia
Internacional
de
Química
Matemática,

disponibles
gratuitamente
(53);
la
base
de
datos
MDDR
(MDL
Drug
Data
Report),

comercial;
la
base
de
datos
WDI
(World
Drug
Index),
comercial
(54);
y
la
base
de

datos
WOMBAT
(World
of
Molecular
Bioactivity
Data),
comercial
(55).
La

tendencia
actual
de
las
bases
de
datos
quimioinformáticas
es
pasar
al
dominio

público
(56,
57).

Especial
atención
merecen
los
conjuntos
de
datos
para
propósitos
de

comparación
de
nuevas
herramientas
de
cribado.
En
la
literatura
se
recomienda
el

uso
de
los
conjuntos
de
datos
MUV
diseñadas
por
Rohrer
et
al.
(2009).
Estos

conjuntos
de
datos
de
compuestos
activos
y
señuelos
de
activos
“decoys”
(inactivos

confirmados)
fueron
construidos
usando
herramientas
estadísticas
de
diseño

experimental
basadas
en
la
técnica
del
análisis
refinado
de
los
vecinos
más
cercanos

y
están
orientadas
a
minimizar
problemas
encontrados
con
el
uso
de
las
métricas

de
desempeño
(vide
infra)
en
otros
conjuntos
de
validación
como
el

enriquecimiento
artificial,
donde
la
clasificación
es
causada
por
diferencias
en

propiedades
simples
y
usualmente
irrelevantes
entre
activos
y
decoys;
el
sesgo
de

análogos,
causada
por
la
tendencia
de
los
conjuntos
de
datos
a
sobre
representar

las
clases
de
activos
y
deriva
en
una
clasificación
sobreestimada
de
los
mismos.

Estos
dos
problemas
se
tienden
a
englobar
en
el
problema
denominado
sesgo
de

conjuntos
de
datos
de
referencia.
El
último
problema
de
este
tipo
se
refiere
a
la

varianza
de
los
resultados
de
validación,
causada
por
usar
conjuntos
indebidamente

desbalanceados
que
conducen
al
efecto
de
saturación
de
las
curvas
ROC

correspondientes
(58).
En
los
últimos
años,
algunos
autores
han
alertado
acerca
de

otro
tipo
de
problemas
más
sutiles
que
concierne
la
calidad
de
conjuntos
de
datos

altamente
referenciados
como
son
los
errores
estructurales,
presencia
de

compuestos
duplicados,
errores
de
correspondencia
de
los
datos
estructurales
con

las
mediciones
experimentales,
falta
de
reproducibilidad
en
las
mediciones

experimentales,
etc.
Los
hallazgos
sugieren
que
el
tener
estructuras
erróneas

representadas
por
descriptores
erróneos
deriva
en
un
efecto
perjudicial
para
el

desempeño
y
la
fiabilidad
de
las
predicciones
de
los
modelos
de
cribado.
Para

solucionar
estos
problemas
los
investigadores
proponen
se
utilicen
un
buen

número
de
potentes
herramientas
de
software
libre
así
como
una
última
etapa
de

inspección
“manual”
(59).

Hasta
el
momento,
la
comunidad
científica
internacional
no
ha
adoptado

ningún
conjunto
de
datos
estándar
para
la
comparación
de
medidas
de
similitud,

probablemente
por
la
imposibilidad
de
encontrar
un
grupo
único
de
moléculas
que

reagrupe
todas
las
necesidades
de
cribado
de
la
Quimioinformática
moderna
(39).

Por
este
motivo
se
ha
sugerido
que,
para
validar
un
método
nuevo,
los

investigadores
deben
presentar
al
menos
10
conjuntos
con
actividades
diversas

con
más
de
un
estándar
de
comparación
(47).

540