Modelli predittivi basati sul metodo Kernel di affinità del legame farmaco-proteina

Nonostante diversi anni di scoperte di farmaci mirati, sono ancora rari gli agenti chimici che inibiscono i singoli bersagli. La mappatura dello spazio del bersaglio proteico completo di farmaci e composti simili, compresi sia gli "obiettivi primari" previsti sia gli altri target secondari, riveste un ruolo fondamentale quando si cerca di scoprire un nuovo farmaco. Una tale mappa consentirebbe non solo di esplorare il potenziale terapeutico degli agenti chimici, ma anche di prevedere e gestire meglio i loro possibili effetti nocivi prima dei test clinici. Tuttavia, le gigantesche dimensioni dell'universo chimico rendono la mappatura sperimentale di bioattività dell'intero spazio delle interazioni composto-bersaglio praticamente impossibile anche con i moderni test ad alto rendimento.
I metodi di apprendimento automatico forniscono un approccio economicamente vantaggioso e complementare alla profilazione sperimentale della bioattività, consentendo la definizione delle priorità dei più potenti candidati farmacologici e delle interazioni proteina-bersaglio per ulteriori controlli in laboratorio. Nella sfera farmacologica hanno ricevuto un'attenzione significativa specie i metodi basati sul kernel, tra cui il vantaggio dei modelli computazionalmente efficienti delle non linearità tra le caratteristiche chimiche e proteiche ed i profili di bioattività farmacologica.
Il contributo introdurrà il concetto di apprendimento del kernel e dimostrerà come può essere usato per modellare le interazioni farmaco-proteina. Durante la presentazione ci concentreremo sulla previsione quantitativa delle affinità del legame al fine di caratterizzare appieno lo spettro delle attività di un farmaco. Infine, verranno riassunti anche i risultati dell’Illuminating the Druggable Genome (IDG)-DREAM Drug-Kinase Binding Prediction Challenge.