Relaciones cuantitativas estructura-actividad (QSAR) basadas en clasificadores de aprendizaje automático para la predicción de moléculas inhibidoras de tirosinasas

Abstract

En la Pontificia Universidad Católica del Ecuador se implementó un flujo de trabajo ¨in silico¨ orientado a la priorización de inhibidores de tirosinasas, integrando QSAR con algoritmos de aprendizaje automático. Tras la curaduría y estandarización de un repositorio de 548 estructuras, se generó una matriz de aproximadamente 4 mil descriptores moleculares mediante alvaDesc. La redundancia y colinealidad se mitigaron con V-WSP y, a partir de los descriptores seleccionados junto con huellas estructurales (MACCS, ECFP y PFP), se ajustaron clasificadores no lineales (Random Forest, AdaBoost, kNN y N3). La capacidad predictiva se estimó con validación cruzada estratificada y mediante un análisis explícito del dominio de aplicabilidad. La configuración ECFP + N3 ofreció el mejor equilibrio de desempeño, con exactitud del 86,3 % en el conjunto externo de prueba. Como demostración de utilidad, se priorizaron 17 moléculas que la literatura indicaba que tenían capacidad inhibitoria pero no presentaban un valor; entre ellas, glabridina y 4-propilresorcinol quedaron clasificadas como activas dentro del dominio. Estos resultados muestran que la codificación estructural acoplada a aprendizaje automático permite construir filtros de cribado virtual robustos y reproducibles para la búsqueda de inhibidores de tirosinasa, con proyección a aplicaciones farmacéuticas y dermocosméticas, pues esta es una enzima clave en la ruta metabólica de la melanina.