Exploring the chemical space of FDA-approved molecules: A dataset-driven approach using machine learning (2025)
- Authors:
- Autor USP: SOARES, ARTUR CAMINERO GOMES - FCF
- Unidade: FCF
- Sigla do Departamento: FBF
- DOI: 10.11606/D.9.2025.tde-09062025-165507
- Subjects: PLANEJAMENTO DE FÁRMACOS; PYTHON; QUÍMICA MÉDICA
- Keywords: Aprendizado de máquina; Chemical Space; Cheminformatics; Drug Design; Druglikeness; Druglikeness; Espaço químico; Machine Learning; Planejamento de fármacos; Quimioinformática
- Agências de fomento:
- Language: Inglês
- Abstract: Moléculas pequenas possuem uma notável diversidade química, destacando a ampla extensão do espaço químico (Chemical Space - CS) que ocupam. Dentro desse vasto CS, moléculas com potencial para interagir com alvos biológicos possuem uma relevância especial para a química medicinal. A imensidão e complexidade desse espaço ressaltam a necessidade de ferramentas eficazes para sua exploração, sendo o conceito de druglikeness uma abordagem valiosa. Esta pesquisa explora a semelhança a medicamentos por meio da criação de um conjunto de dados composto por moléculas aprovadas pela FDA, contrastado com três conjuntos de dados negativos contendo moléculas do PDB, ZINC e compostos com toxicidade conhecida. Modelos de aprendizado de máquina ML foram desenvolvidos utilizando este conjunto de dados, alcançando um desempenho preditivo robusto. Esses modelos possibilitaram uma análise aprofundada dos descritores moleculares mais influentes na distinção de moléculas com propriedades semelhantes a medicamentos. As propriedades-chave identificadas incluem métricas consolidadas como logP, TPSA e a contagem de doadores e aceitadores de ligações de hidrogênio.O estudo também destaca a relevância de descritores topológicos, com índices de estado eletropológico (e-state) desempenhando um papel crucial na caracterização de átomos individuais. Ao integrar quimioinformática com aprendizado de máquina, este trabalho oferece insights valiosos sobre o espaço químico, fornecendo uma base para avanços na descoberta e no desenvolvimento de medicamentos.
- Imprenta:
- Data da defesa: 08.05.2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SOARES, Artur Caminero Gomes. Exploring the chemical space of FDA-approved molecules: A dataset-driven approach using machine learning. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/9/9138/tde-09062025-165507/. Acesso em: 28 dez. 2025. -
APA
Soares, A. C. G. (2025). Exploring the chemical space of FDA-approved molecules: A dataset-driven approach using machine learning (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/9/9138/tde-09062025-165507/ -
NLM
Soares ACG. Exploring the chemical space of FDA-approved molecules: A dataset-driven approach using machine learning [Internet]. 2025 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/9/9138/tde-09062025-165507/ -
Vancouver
Soares ACG. Exploring the chemical space of FDA-approved molecules: A dataset-driven approach using machine learning [Internet]. 2025 ;[citado 2025 dez. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/9/9138/tde-09062025-165507/ - Molecular modeling based on time-dependent density functional theory (TD-DFT) applied to the UV-Vis spectra of natural compounds
- Canabinoides
- Absorption matters: a closer look at popular oral bioavailability rules for drug approvals
- Investigating the prospects of ChatGPT in training medicinal chemists and the development of novel drugs
Informações sobre o DOI: 10.11606/D.9.2025.tde-09062025-165507 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
