ADMETron: An AI-driven SaaS platform for comprehensive ADMET prediction and compound prioritisation

Resumen Técnico de ADMETron: Una Plataforma SaaS impulsada por IA para la Predicción Integral de ADMET

Planteamiento del Problema
El descubrimiento de fármacos moderno requiere la evaluación rápida y precisa de las propiedades de Absorción, Distribución, Metabolismo, Excreción y Toxicidad (ADMET) para priorizar compuestos químicos y mitigar el fracaso en etapas avanzadas. Aunque existen diversas herramientas, existe la necesidad de un entorno unificado que combine capacidades de cribado virtual de alto rendimiento con una visualización multidimensional intuitiva para apoyar la toma de decisiones basada en datos. Las soluciones existentes a menudo carecen de una cobertura exhaustiva de parámetros o no logran integrar el modelado predictivo complejo con un análisis de relación estructura-actividad (SAR) fácil de usar en una única plataforma escalable.

Metodología
ADMETron está arquitectonizado como una plataforma SaaS escalable que integra una interfaz web interactiva con un motor predictivo robusto. El marco de modelado central emplea un enfoque híbrido:

• Ingeniería de Características: El sistema genera incrustaciones moleculares (embeddings) utilizando Redes Neuronales Recurrentes (RNN) entrenadas en representaciones SMILES. Estas características derivadas del aprendizaje profundo se combinan con descriptores fisicoquímicos tradicionales para crear un conjunto de características integral.
• Modelado Predictivo: Las características combinadas son procesadas a través de Máquinas de Potenciación de Gradiente (GBM) para generar predicciones.
• Alcance: El modelo está entrenado para predecir 34 parámetros (endpoints) distintos de ADMET, que abarcan propiedades fisicoquímicas, tasas de absorción, interacciones del Citocromo P450 (CYP450), responsabilidad de hERG y mutagenicidad.
• Visualización: Para interpretar estos resultados multidimensionales, la plataforma utiliza un marco basado en gráficos de radar interactivos. Esto permite a los usuarios realizar comparaciones en tiempo real de múltiples compuestos frente a fármios de referencia a través de parámetros ADMET seleccionados.

Contribuciones Clave

1. Motor Predictivo Unificado: El desarrollo de una única plataforma capaz de manejar tanto tareas de clasificación como de regresión a través de un amplio espectro de 34 parámetros de ADMET, unificando propiedades farmacocinéticas, de toxicidad y de química medicinal.
2. Arquitectura de Modelado Híbrido: La integración exitosa de incrustaciones moleculares derivadas de RNN con descriptores fisicoquímicos dentro de un marco de GBM para mejorar la precisión predictiva.
3. Visualización SAR Interactiva: La introducción de una interfaz basada en gráficos de radar que facilita la interpretación intuitiva de perfiles moleculares complejos, permitiendo una rápida optimización de líderes (lead optimization) y priorización de compuestos.
4. Escalabilidad: El despliegue de un sistema diseñado para el cribado virtual de alto rendimiento y el análisis por lotes, accesible mediante una interfaz web.

Resultados
El rendimiento predictivo de ADMETron fue evaluado rigurosamente utilizando conjuntos de datos de referencia de Therapeutics Data Commons (TDC). La evaluación demostró:

• Desempeño Sólido: La plataforma exhibió una robusta precisión tanto en tareas de clasificación como de regresión.
• Generalizabilidad: Los modelos mostraron un rendimiento consistente a través de diversos espacios químicos.
• Ventaja Comparativa: Al ser evaluada frente a herramientas de ADMET en línea ampliamente utilizadas, ADMETron demostró una cobertura de parámetros más amplia, unificando con éxito las predicciones farmacocinéticas, fisicoquímicas, de toxicidad y de química medicinal en un solo entorno.

Significancia
El artículo posiciona a ADMETron como una solución integral para la evaluación de ADMET en el descubrimiento de fármacos. Al combinar la predicción avanzada impulsada por IA con un marco de visualización interactivo, la plataforma tiene como objetivo agilizar el proceso de priorización de compuestos. Su importancia radica en su capacidad para apoyar la toma de decisiones basada en datos a través de un entorno unificado, escalable y fácil de usar, abordando así la necesidad de un perfilado de ADMET eficiente y de alto rendimiento en los flujos de trabajo modernos de la química medicinal.