MODELE SZTUCZNEJ INTELIGENCJI ILOŚCIOWEJ ZALEŻNOŚCI STRUKTURA-WŁAŚCIWOŚĆ (QSPR) DLA ZWIĄZKÓW O DZIAŁANIU SEROTONINERGICZNYM

Obecnie modelowanie matematyczne odgrywa ważną rolę w procesie odkrywania i rozwoju leków. Dodatkowo, wykorzystując sztuczną inteligencję, można tworzyć modele predykcyjne dla różnych punktów końcowych aktywności i właściwości wielu substancji chemicznych. W poniższej pracy stworzono modele QSPR, które pozwalają przewidzieć relację między budową związku posiadającego aktywność serotoninergiczną, a właściwością taką jak aktywność Cytochromu P450 i wchłanianie jelitowe u człowieka. Do budowy modeli klasyfikacyjnych oraz regresyjnych, wykorzystany został pakiet MLJAR AutoML, który wykonał obliczenia przy użyciu dużej bazy danych. Ponadto, w pracy poruszono problem dystrybucji danych, który został rozwiązany poprzez stworzenie klasyfikatora znajdującego zastosowanie do problemu regresyjnego.

Nowadays, mathematical modeling plays an important role in the process of drug discovery and development. Additionally, using artificial intelligence, predictive models can be created for different activity endpoints and properties of a number of chemicals. In the following work, QSPR models were created that allow to predict the relationship of the structure of a compound having serotoninergic activity on a property such as CYP450 modulation and human intestinal absorption. The MLJAR AutoML package was used to build classification and regression models performing calculations even with the use of a large database. Moreover, the study deals with the problem of data distribution, which was solved with the creation of a classifier applicable to regression problem.