Machine Learning en el diseño racional de fármacos: nuevos avances en el descubrimiento de fármacos (2000-2024)

El descubrimiento de fármacos ha sido durante mucho tiempo un proceso costoso y lento, pero el Machine Learning (ML) ha revolucionado esta área al permitir análisis masivos de datos y predicciones precisas de propiedades farmacológicas. Este estudio analiza el impacto del ML en el diseño racional de fármacos desde el año 2000 hasta el 2024, evaluando sus aplicaciones y desafíos. Se realizó una búsqueda sistemática en bases de datos especializadas para identificar publicaciones relevantes en Relaciones Cuantitativas Estructura-Actividad (QSAR) y diseño de fármacos asistido por computadora. Los resultados muestran que el ML ha mejorado la predicción de actividad biológica, toxicidad y farmacocinética, con avances significativos en redes neuronales profundas y modelos generativos. Sin embargo, persisten retos en la interpretabilidad de los modelos, la calidad de los datos y la validación experimental. A pesar de estos desafíos, el ML sigue consolidándose como una herramienta esencial en la química farmacéutica, acelerando el descubrimiento de nuevos fármacos y optimizando el desarrollo de medicamentos. Como estudiante de Química Farmacéutica, vi cómo el ML optimiza la selección de blancos terapéuticos y propiedades ADMET, destacando la importancia de datos de calidad. A pesar de los desafíos, el ML es clave en el desarrollo de medicamentos más seguros y eficaces.

• Autores: Tellez Ruíz, Dania Geraldine
• Tipo de recurso: https://purl.org/coar/resource_type/c_7a1f
• Fecha de publicación: 2025
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/14417
• Acceso en línea: https://hdl.handle.net/20.500.12495/14417
• Palabra clave: Diseño racional de farmacos; Aprendizaje automático; CADD; Redes neuronales artificiales; Impacto en la química farmacéutica; 615.19; Rational drug design; Machine Learning; CADD; Artificial neural networks; Impact on pharmaceutical chemistry
• License: Attribution-NonCommercial-NoDerivatives 4.0 International