GraphDTA per predir l'afinitat d'unió medicament-objectiu

Identificador:  TFM:2103

Handle: https://hdl.handle.net/20.500.11797/TFM2103

Autors:  Gálvez Rísquez, Natzaret

Resum:
El desenvolupament de fàrmacs és costós i requereix molt de temps, però la seva reutilització ofereix una alternativa més ràpida en trobar nous usos per als fàrmacs aprovats. Conèixer les interaccions fàrmac-proteïna és crucial per a aquest procés. GraphDTA, un model que prediu l'afinitat fàrmac-objectiu mitjançant xarxes neuronals gràfiques, supera els models establerts com DeepDTA i WideDTA en precisió i adaptabilitat. Tot i que GraphDTA es basa en representacions SMILES, la incorporació de dades estructurals en 3D podria retenir informació molecular vital, millorant les prediccions. Això destaca el potencial de GraphDTA per millorar amb un major desenvolupament, convertint-lo en una eina robusta i versàtil per a les prediccions d'afinitat fàrmac-objectiu.