Resumen

Introducción: El proceso de investigación y desarrollo de fármacos se puede acelerar mediante el reposicionamiento de medicamentos (DR), una estrategia que identifica nuevos objetivos terapéuticos utilizando productos existentes. Los modelos de aprendizaje automático supervisado (SML), que incorporan redes de interacción, ofrecen un enfoque prometedor para DR. Este estudio tiene como objetivo revisar y meta-analizar sistemáticamente los modelos SML que predicen DR, identificando características clave que influyen en su desempeño. Metodología: Se realizó una revisión sistemática para identificar modelos SML que utilizaran redes para predecir DR, los cuales se evaluaron comparando su desempeño mediante un meta-análisis de efectos aleatorios. Resultados: Se incluyeron 19 estudios en la síntesis cualitativa y 17 en la evaluación cuantitativa. El modelo Bosque aleatorio surgió como el clasificador predominante (63%), obteniendo el mayor rendimiento en las comparaciones AUC ROC (valor general: 0,91, 95% IC: 0,86 – 0,96). Los esfuerzos de validación en 18 estudios confirmaron las predicciones de los modelos SML, afirmando los medicamentos propuestos. Se descubrió que la incorporación de estructura química en el entrenamiento de modelos mejora el rendimiento al ayudar en la discriminación de predicciones. Conclusión: Los modelos SML pueden predecir la DR, el modelo RF fue el modelo SML más utilizado con los mejores resultados de rendimiento, lo que resalta el uso potencial de modelos FR para predecir el DR utilizando redes de información biomédica.

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Reposicionamiento de fármacos; Desarrollo de fármacos; Redes biológicas; Aprendizaje automático; Bosque aleatorio
• Keywords:Drug repositioning; Drug development; Biological networks; Machine learning; Random forest