A Bioinformatics approach for drug discovery

Abstract

Drug discovery involves several sequential stages, including target and lead discovery, pre-clinical evaluation, clinical trials, and subsequent registries. Throughout these phases, rigorous assessments of the toxicity and safety are conducted. However, the identification of compounds with toxicity issues incurs substantial resource, time, and financial costs, often resulting in their elimination from development. Consequently, computational methods for toxicity prediction have emerged as promising solutions and have gained significant attention in recent years.With the proliferation of big data and advancements in Artificial Intelligence (AI), various algorithms have been optimized and applied in the field of drug toxicity to enhance efficiency. Machine Learning (ML) and Deep Learning (DL) techniques, which are prominent subfields of AI, have garnered widespread usage. In this study, we exploited the recent surge in algorithmic development and computational power to construct a more robust and high-performance model for predicting drug compound toxicity.The research study followed a comprehensive methodology consisting of data collection, extraction and selection of drug and target features, model training, and evaluation. Our investigation revealed that the best-performing model, a Deep Neural Network (DNN), achieved an R² value of 0.85 in the test set and 0.42 on the validation set comprising previously unseen drugs. To assess its efficacy, we compared the performance of our proposed method with of those other established ML techniques. Additionally, different target classes were trained separately using the DNN to gain insight into their respective influences on toxicity prediction. Finally, we benchmarked our DNN against state-of-the-art algorithms. By leveraging the power of big data and AI techniques, we present a powerful and efficient approach for identifying toxic compounds early in the drug discovery process, potentially reducing resource wastage, and expediting the development of safe and effective drugs.

A descoberta de medicamentos envolve várias etapas sequenciais, incluindo a descoberta do alvo e da substância líder, avaliação pré-clínica, ensaios clínicos e subsequentes registos. Ao longo dessas fases, são realizadas avaliações rigorosas da toxicidade e segurança. No entanto, a identificação de compostos com problemas de toxicidade incorre em custos substanciais de recursos, tempo e financeiros, resultando frequentemente na eliminação do seu desenvolvimento. Como consequência, os métodos computacionais para a previsão de toxicidade têm surgido como soluções promissoras e têm recebido grande atenção nos últimos anos.Com a proliferação de grandes volumes de dados e os avanços em Inteligência Artificial (IA), vários algoritmos têm sido otimizados e aplicados no campo da toxicidade de medicamentos para aumentar a eficiência. Técnicas de Aprendizado de Máquina (AM) e Aprendizado Profundo, que são subcampos proeminentes da IA, têm ganhado ampla utilização. Neste estudo, exploramos o recente aumento no desenvolvimento algorítmico e na capacidade computacional para construir um modelo mais robusto e de alto desempenho para prever a toxicidade de compostos medicamentosos.O estudo de pesquisa seguiu uma metodologia abrangente, consistindo na coleta, extração e seleção de dados das características dos medicamentos e alvos, treinamento e avaliação do modelo. A nossa investigação revelou que o modelo de melhor desempenho, uma Rede Neural Profunda (RNP), alcançou um valor de R² de 0.85 no conjunto de teste e 0.42 no conjunto de validação, que incluía medicamentos não vistos anteriormente. Para avaliar a sua eficácia, comparamos o desempenho do nosso método proposto com o de outras técnicas de AM estabelecidas. Além disso, diferentes classes de alvos foram treinadas separadamente usando a RNP para obter compreensão sobre suas respetivas influências na previsão de toxicidade. Finalmente, comparamos a nossa RNP com algoritmos de ponta. Ao aproveitar o poder dos grandes volumes de dados e das técnicas de IA, apresentamos uma abordagem poderosa e eficiente para identificar compostos tóxicos no início do processo de descoberta de medicamentos, potencialmente reduzindo o desperdício de recursos e acelerando o desenvolvimento de medicamentos seguros e eficazes.