Maestría Estadística Aplicada y Ciencia de Datos · 2026
Modelos QSAR para predecir el índice de selectividad de fármacos anticancerígenos y su uso en la comparación de descriptores de eficacia frente a toxicidad
Solo ficha. El repositorio marca este trabajo como «None»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
El cáncer es una patología con alta incidencia a nivel mundial, lo que hace imperativo el desarrollo de tratamientos farmacológicos eficaces y seguros. Dado que el proceso convencional de descubrimiento de fármacos requiere una inversión significativa de tiempo y recursos, el Diseño de Fármacos Asistido por Computadora (CADD) ha surgido como una estrategia esencial. En este contexto, los modelos de Relación Estructura-Actividad Cuantitativa (QSAR) mejorados con aprendizaje automático permiten modelar relaciones no lineales entre descriptores moleculares y actividad biológica. El propósito de este trabajo fue evaluar algoritmos de conjunto (XGBoost, CatBoost, LightGBM y Random Forest), máquinas de vectores de soporte (SVM) y ElasticNet para predecir el pIC50 y el índice de selectividad en fármacos anticancerígenos sintetizados químicamente. Los resultados demostraron que los modelos basados en boosting, específicamente CatBoost y XGBoost, mostraron una capacidad predictiva superior (R_LOO^2 > 0,6) y una alta robustez estadística, validada mediante pruebas de aleatorización Y y análisis del dominio de aplicabilidad. El uso de los valores SHAP permitió identificar la autocorrelación y los descriptores de complejidad estructural como determinantes clave de la selectividad citotóxica, proporcionando una herramienta computacional eficiente para la detección virtual de compuestos anticancerígenos.