QSAR Modeling of Analgesic Cannabinoids via Dual Feature Selection and Support Vector Machines: A Cheminformatics Case Study

Resumo

Este estudo teve como objetivo desenvolver um modelo acessível de Relação Quantitativa Estrutura–Atividade, baseado em técnicas de Aprendizado de Máquina, para um conjunto de compostos canabinoides com atividade analgésica. Trata-se de uma contribuição da quimioinformática para o promissor campo da modulação do sistema endocanabinoide. Estruturas moleculares tridimensionais e dados de atividade biológica foram obtidos do banco de dados PubChem. Descritores moleculares foram calculados utilizando o software Dragon7 e submetidos à seleção de variáveis por meio de duas estratégias complementares: os métodos Wrapper e Filter. O modelo preditivo final foi construído com Máquinas de Vetores de Suporte e validado por meio de validação cruzada K-fold e validação leave-one-out. Obteve-se um modelo robusto e preditivo, composto por 29 descritores moleculares, capaz de prever a atividade de novos análogos da classe dos tiofenil-acetamidas. A combinação das duas técnicas de seleção de variáveis mostrou-se eficaz na captura de informações moleculares relevantes e na melhoria do desempenho do modelo. Esse modelo oferece suporte valioso para a otimização sintética e o desenho de compostos canabinoides com maior atividade analgésica.