ETD

• ADMET
• Applicability Domain
• Drug Discovery
• Machine Learning

Il lavoro di tesi si inserisce nell’ambito del drug discovery e ha come obiettivo lo sviluppo di modelli di Machine Learning per la predizione di proprietà ADMET relative all’assorbimento e alla distribuzione di piccole molecole organiche. In particolare, sono stati sviluppati cinque modelli predittivi, di classificazione e di regressione, per la stima di Human Intestinal Absorption, permeabilità Caco 2 (LogPapp), permeazione attraverso la barriera ematoencefalica, LogBB e fraction unbound, indicativa del legame con le proteine plasmatiche. I dati sono stati selezionati in modo rigoroso dalla letteratura scientifica, limitandosi a valori sperimentali affidabili, e successivamente analizzati e trattati per rimuovere inconsistenze e ridondanze. Le molecole sono state rappresentate mediante differenti fingerprints e descrittori molecolari e utilizzate per l’addestramento di diversi algoritmi di apprendimento automatico. I modelli sono stati ottimizzati e validati, con successiva definizione del dominio di applicabilità. Il confronto con lo stato dell’arte evidenzia prestazioni predittive superiori, confermando la rilevanza dello studio condotto.