flowchart LR
A["SMILES<br/>una cadena de texto"] --> B["Descriptores RDKit<br/>217 propiedades"]
A --> C["Fingerprint ECFP4<br/>2,048 subestructuras"]
B --> D["Tabla de características"]
C --> D
D --> E["Etapa 1<br/>¿cruza la barrera?"]
D --> F["Etapa 2<br/>¿tiene actividad?"]
E --> G["Priorización<br/>con atribución a fragmentos"]
F --> G
Bioactive AI
Predicción y priorización de compuestos bioactivos con potencial neuroprotector
Proyecto Integrador de la Maestría en Inteligencia Artificial Aplicada (TC5035.10) del Tecnológico de Monterrey, en colaboración con el Departamento de Bioingeniería y bajo el patrocinio de la Dra. Mariana Martínez Ávila.
TipSi es tu primera vez aquí
El proyecto cruza química, biología y aprendizaje automático, así que ningún lector llega sabiéndolo todo. El glosario define los términos de las tres áreas en las dos direcciones, y es el lugar al que apunta el resto del sitio.
Rutas de lectura según de dónde vengas:
- Vienes de bioingeniería o química → empieza por el glosario, sección Partición y evaluación, y sigue con el Avance 1, que es el análisis de los datos y no supone conocimiento de modelado.
- Vienes de inteligencia artificial → empieza por el glosario, secciones Química y biología y Descriptores moleculares, y sigue con 01 · Representaciones moleculares, que explica cómo se pasa de una molécula a una tabla.
- Quieres el panorama completo → el marco teórico desarrolla los fundamentos en tres partes.
- Quieres ver lo entregado → los reportes de cada avance.
El problema
A partir del SMILES de un compuesto, el proyecto resuelve dos preguntas encadenadas:
Etapa 1 — ¿Cruza la barrera?
Clasificar si un compuesto atraviesa la barrera hematoencefálica (BBB+ contra BBB−).
Un resultado negativo no descarta al compuesto: existen estrategias para ayudarlo a cruzar, así que esta etapa no opera como filtro duro.
Etapa 2 — ¿Tiene efecto?
Predecir si el compuesto presenta actividad neuroprotectora frente al daño neurodegenerativo, y estimar sobre qué diana molecular.
El foco son productos naturales de origen vegetal.
Sobre ambas etapas pesa un requisito que la patrocinadora planteó como no negociable: la explicabilidad a nivel de substructura. No basta con predecir bien; hay que poder decir qué característica estructural explica la predicción.
Cómo fluyen los datos
Las dos etapas son independientes: la primera no filtra a la segunda, sus salidas se combinan al final. Cada término del diagrama está en el glosario.
Estado
| Componente | Estado |
|---|---|
| Marco teórico | Borrador completo, 10 capítulos, 208 referencias |
| Investigación de referencia | 5 documentos, 7 ramas de investigación |
| Datos etapa 1 | Conjunto de la patrocinadora, auditado en el Avance 1 |
| Datos etapa 2 | Entregados el 25 sep: 202,647 registros, 39 dianas · EDA ejecutado |
| EDA de permeabilidad (Avance 1) | Entregado el 4 oct |
| Ingeniería de características (Avance 2) | Notebook ejecutado sobre las 7,805 filas · falta el reporte |
| Modelos base (Avance 3) | Pendiente · vence el 18 oct |
Decisiones técnicas
Tomadas con la evidencia documentada en la investigación de referencia:
- Datos, etapa 1: el conjunto curado por la patrocinadora, derivado de B3DB y cruzado con COCONUT. Umbral logBB = −1.0. Las categorías A–D no se usan para excluir registros: el Avance 1 mostró que no son una escala de calidad.
- Datos, etapa 2: el conjunto de actividad en SNC de la patrocinadora, con ChEMBL, NPASS y CMAUP. Etiquetado por tres vías —pChEMBL, concentración exacta e inactivo declarado—, con pChEMBL ≥ 5 como primario y ≥ 6 como robustez. Etiquetar solo por pChEMBL dejaría fuera los productos naturales; ver el EDA de la etapa 2.
- Representación: descriptores 2D de RDKit (217) más Morgan/ECFP4 de 2048 bits. Los embeddings congelados de transformers no superan a esta combinación bajo scaffold split.
- Validación: scaffold split de Bemis-Murcko, nunca aleatorio. Métricas MCC y AUPRC, no exactitud.
- Explicabilidad: al menos dos métodos independientes, reportando como confirmadas solo las substructuras donde coinciden.
Hallazgos que cambiaron el rumbo
ImportanteEl tamaño efectivo de muestra es la mitad de lo que parece
El conjunto tiene 7,805 filas etiquetadas, pero solo 4,018 esqueletos de conectividad distintos. El ácido fusídico aparece nueve veces. Al reportar el tamaño del conjunto hay que dar ambas cifras, y la partición tiene que agrupar por estructura.
ImportanteLos productos naturales cruzan la barrera bastante menos
52.7% contra 81.0% de los compuestos sin equivalente natural, una diferencia de 28.3 puntos; los análogos estereoquímicos de un natural cruzan todavía menos, 39.7%. (El Avance 1 juntaba análogos y compuestos sin equivalente como «sintéticos» y reportaba 18.9 puntos.) Las reglas fisicoquímicas clásicas no bastan para explicarla: a igual cumplimiento de la regla de TPSA y de donadores de hidrógeno, los naturales siguen cruzando menos. Como son justamente los compuestos a priorizar, el desempeño tendrá que reportarse por origen.
AdvertenciaLos filtros PAINS son obligatorios
La curcumina acumula más de 120 ensayos clínicos sin un solo resultado positivo controlado. Ella, el EGCG y el resveratrol alteran la bicapa lipídica de forma inespecífica, un mecanismo que los filtros clásicos no detectan. El modelo los va a rankear alto y hay que filtrarlos antes de reportar cualquier hit.
NotaEl umbral de TPSA no es transferible
La regla publicada se replica de forma exacta en el subconjunto comparable (precisión 0.966 contra 96.6%), pero el umbral óptimo se mueve de 66.6 Ų a 83.6 Ų en el conjunto con el que realmente se va a entrenar. No es una constante de la barrera.
Precaución“Neuroprotección” es una afirmación contestada
De 1,026 tratamientos neuroprotectores probados experimentalmente en ictus, 114 llegaron a ensayos en humanos y ninguno mostró eficacia clínica establecida. Las conclusiones de este trabajo se formularán como actividad predicha según mecanismo molecular, nunca como neuroprotección demostrada.
Equipo 7
- Ingrid Pamela Ruiz Puga (A01021209)
- Artemio Santiago Padilla Robles (A01796613)
- José Antonio Vázquez Martínez (A01797208)
TipCómo leer estos documentos
Cada afirmación de la investigación viene etiquetada según el nivel de acceso que se tuvo a la fuente: leída completa, leída parcial o sin acceso. Cada documento cierra con una lista explícita de lo que no se pudo verificar.
No es burocracia: antes de que cualquier cifra entre a un entregable hay que confirmarla contra la fuente primaria, sobre todo si está marcada como parcial o sin acceso.