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

Simple item page
dc.contributor.advisorAnzieta Reyes, Juan Camilo
dc.contributor.authorMuñoz Vázquez, Doménica Victoria
dc.date.accessioned2026-01-15T15:56:18Z
dc.date.available2026-01-15T15:56:18Z
dc.date.issued2025
dc.description.abstractEn 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.
dc.id.advisor0103024782
dc.id.author0301981510
dc.identifier.other15262
dc.identifier.urihttps://repositorio.puce.edu.ec/handle/123456789/47883
dc.language.isoes
dc.publisherPUCE - Quito
dc.subjectRelaciones cuantitativas estructura-actividad
dc.subjectAprendizaje automático
dc.subjectInhibidores de enzima - Tirosinasa
dc.subjectCribado de alto rendimiento (Desarrollo de medicamentos)
dc.subjectQuímica farmacéutica - Métodos computacionales
dc.subjectCosmecéuticos - Desarrollo
dc.titleRelaciones cuantitativas estructura-actividad (QSAR) basadas en clasificadores de aprendizaje automático para la predicción de moléculas inhibidoras de tirosinasas
dc.typemasterThesis
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
Trabajo de Titulación - Maestría / Muñoz Vázquez Doménica Victoria
Size:
1.54 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Tesis - Maestría en Biología Computacional