Resumen de Multiclasificadores basados en aprendizaje automático como herramienta para la evaluación del perfil neurotóxico de líquidos iónicos
R. Domínguez López, Lisset del Carmen Ávila de la Cruz, F. Borges, M.N.D.S. Cordeiro, C. Paz Miño, E. Tejera, Y. Pérez Castillo, A. Sánchez Rodríguez, Y. Perera Sardiña, M. Cruz Monteagudo
- español
Los líquidos iónicos poseen un perfil fisicoquímico único, el cual los provee de un amplio rango de aplicaciones. Su variabilidad estructural casi ilimitada permite su diseño para tareas específicas. Sin embargo, su sustentabilidad, específicamente su seguridad desde el punto de vista toxicológico, ha sido frecuentemente cuestionada. Este último aspecto limita significativamente el cumplimiento de las regulaciones establecidas por la Unión Europea para el registro, evaluación, autorización y restricción de compuestos químicos (REACH), así como su aplicación final. Debido a que la mayoría de los líquidos iónicos no han sido sintetizados, se hace evidente la importancia del desarrollo de herramientas quimioinformáticas que, de forma eficiente, permitan evaluar el potencial toxicológico de estos compuestos. En este sentido, el uso combinado de múltiples clasificadores ha demostrado superar las limitaciones de desempeño asociadas al uso de clasificadores individuales. En el presente trabajo fueron evaluadas varias estrategias alternativas de multiclasificadores basados en técnicas de aprendizaje automático supervisado, como herramientas para la evaluación del perfil neurotóxico de líquidos iónicos basado en la inhibición de la enzima acetilcolinesterasa, como indicador de neurotoxicidad. Se obtuvieron dos multiclasificadores con una alta capacidad predictiva sobre un conjunto de validación externa (no utilizado en el proceso de aprendizaje de los modelos). De acuerdo a los resultados obtenidos el 96% de un conjunto de nuevos líquidos iónicos podrá ser correctamente clasificado con la utilización de estos multiclasificadores, los cuales constituyen herramientas de toma de decisión útiles en el campo del diseño y desarrollo de nuevos líquidos iónicos sustentables.
- català
Els líquids iònics posseeixen un perfil fisicoquímic únic, el qual els proveeix d’un ampli rang d’aplicacions. La seva variabilitat estructural quasi il·limitada permet el seu disseny per a tasques específiques. No obstant, la seva sostenibilitat, específicament la seva seguretat des del punt de vista toxicològic, ha estat freqüentment qüestionat. Aquest darrer limita significativament el compliment de les regulacions establertes per la Unió Europea pel registre, avaluació, autorització i restricció de compostos químics (REACH), així com la seva aplicació final. Degut a que la majoria dels líquids iònics no han estat sintetitzats, es fa evident la importància del desenvolupament d’eines quimioinformàtiques que, de manera eficient, permeten avaluar el potencial toxicològica d’aquests compostos. En aquest sentit, l’ús combinat de múltiples classificadors ha demostrat superar les limitacions d’acompliment associades l’ús de classificadors individuals. En el present treball van ser avaluades diverses estratègies alternatives de multiclassificadors basats en tècniques d’aprenentatge automàtic supervisat, com a eines per a l’avaluació del perfil neurotòxic de líquids iònics basat en la inhibició de l’enzim acetilcolinesterasa, com a indicador de neurotoxicitat. Es van obtenir 2 multiclassificadors amb una alta capacitat predictiva sobre un conjunt de validació externa (no utilitzat en el procés d’aprenentatge dels models). D’acord als resultats obtinguts el 96% d’un conjunt de nous líquids iònics podrà ser correctament classificat amb la utilització d’aquests multiclassificadors, els quals constitueixen eines de presa de decisió útils en el camp del disseny i desenvolupament de nous líquids iònics sostenibles.
- English
Ionic liquids (ILs) possess a unique physicochemical profile providing a wide range of applications. Their almost limitless structural possibilities allow the design of task-specific ILs. However, their “greenness,” specifically their claimed relative nontoxicity has been frequently questioned, hindering their REACH registration processes and, so, their final application. Since the most of ionic liquids has yet to be synthesized, the development of chemoinformatic tools allowing the efficient profiling of the hazardous potential of these compounds becomes critical. In this sense, the combined use of multiple base classifiers (ensembles or multiclassifiers) have proved to overcome the classification performance limitations associated to the use of single classifiers. In the present work we report two ensembles models with good predictive capabilities in a validation set of ionic liquids never used in the learning process. These models were obtained as part of Quantitative Structure Activity Relationship´s studies (QSAR) applied to the characterization of neurotoxic profile of ionic liquids based on its inhibition of the Acetyl cholinesterase enzyme (AChE) as neurotoxicity indicator. The results obtained show that one can expect that at least 96% of a set of news ionic liquids can be correctly classified using theses ensembles models. Consequently, these chemoinformatics models provides efficient decision making tools in the design and development of new “green”ionic liquids.
