onstruccin de un modelo de clasiicacin de toicidad en el desarrollo de rmacos basado en deep learning

Abstract

n este trabajo de tesis se evaluaron dierentes arquitecturas de redes neuronales proundas, conigurndolas con dierentes hiperparmetros y caractersticas como son las unciones de activacin, cantidad de capas ocultas y nodos. o anterior, tiene como objetivo construccin de un modelo de clasiicacin de toicidad en el desarrollo de rmacos basado en eep learning, el cual lleva por nombre odelo_binario. ara la evaluacin de este modelo, as como las distintas arquitecturas mencionadas se crearon y utilizaron onjuntos de datos. stos conjuntos de datos estn conormados con los datos del archivo del ensayo h del programa o y agregando los descriptores para cada molcula que ueron calculados con la herramienta ybel, la dierencia en cada conjunto de datos reside en los descriptores seleccionados para cada uno de ellos. n los resultados, el odelo_binario alimentado con los descriptores de ybel, demostr una precisin entre % y % ms alta y una prdida del % al % ms baja en comparacin a las dems arquitecturas probadas. or otra parte, tambin se encontr que al emplear la uncin dam como optimizador se evit el problema de desvanecimiento de la gradiente que present el optimizador en las arquitecturas probadas. n conclusin y de acuerdo con los resultados obtenidos, los datos de entrada en una red neuronal son de suma importancia, ya que la cantidad o seleccin inadecuada de las caractersticas aecta el rendimiento del modelo. or lo anterior, la seleccin de una gran cantidad de descriptores, as como caractersticas en una red neuronal no est ligado a una buena prediccin. n cuanto a la cantidad de nodos y unciones de optimizacin que se utilizarn en un modelo de eep learning, estas deben ajustarse al trabajo y tipo de modelo ya que cilmente se puede caer en un sobreajuste o subajuste.