ETD

• drug discovery
• machine learning
• pKa

La predizione accurata della costante di dissociazione acida (pKa) gioca un ruolo importante nella progettazione dei farmaci, poiché l’acidità influenza proprietà chiave come solubilità, permeabilità, attività biologica, metabolismo e tossicità del composto. Inoltre, le tecniche sperimentali per la determinazione della pKa sono spesso costose in termini di tempo e risorse, oltre a risultare altamente sensibili a variabili esterne come temperatura, pressione e tipologia di strumentazione. 
Per le suddette ragioni, negli ultimi anni è cresciuto l’interesse verso lo sviluppo di strumenti computazionali per la predizione in-silico delle proprietà di ampie librerie di composti, in modo semplice, rapido e accurato, rivelandosi particolarmente utili nelle fasi iniziali della drug-discovery. 
In questo lavoro, ci siamo concentrati sullo sviluppo di un modello di machine learning (ML) per la predizione dei valori di pKa, utilizzando esclusivamente dati di alta qualità, estratti accuratamente da fonti di letteratura scientifica. 
Il lavoro di tesi ha previsto, inizialmente, una rigorosa fase di pre-processamento dei dati per poi procedere con l’allenamento e la validazione di modelli predittivi ottenuti combinando diverse rappresentazioni molecolari e algoritmi di ML.
Il modello più performante in termini di R2 e MAE (mean absolute error) è stato poi confrontato con altri tool ampiamente usati in letteratura.