Modelos generativos interpretables para diseño de novo de moléculas

Autores
Crozes, Trinidad; Sabando, Vir; Soto, Axel J.; Ponzoni, Ignacio
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La línea de investigación propone desarrollar y evaluar estrategias avanzadas de modelado molecular basadas en algoritmos generativos para el diseño de fármacos. En primer lugar, se realizará una revisión sistemática de modelos generativos aplicados al diseño molecular, analizando su representación química, capacidad generativa y posibilidades de integración de múltiples fuentes de datos. Luego, se compararán experimentalmente distintos enfoques y se implementarán mejoras, incluyendo la incorporación de nuevas métricas de evaluación. En paralelo, se estudiarán estrategias de modelado de relaciones cuantitativas estructura-actividad (Quantitative Structure-Activity Relationship, QSAR) para validar las moléculas generadas, comparando modelos de consenso basados en redes neuronales profundas individuales frente a modelos multitarea, considerando propiedades ADMET, actividad biológica y otras características relevantes. Los modelos generativos y predictivos más prometedores se integrarán mediante aprendizaje por refuerzo para optimizar simultáneamente múltiples propiedades. Asimismo, se incorporarán estrategias de explicabilidad (XAI) y analítica visual para facilitar la interpretación de resultados y la integración del conocimiento experto. Finalmente, se desarrollará una solución quimioinformática integral orientada al diseño y validación de quimiotecas virtuales, evaluando su desempeño mediante cribado virtual en proyectos de descubrimiento de fármacos.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Quimioinformática
Modelos generativos
Analítica visual
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195895
Acceder
id SEDICI_d35149b51b69b3abc600f0ed5551c94e
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195895
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelos generativos interpretables para diseño de novo de moléculasCrozes, TrinidadSabando, VirSoto, Axel J.Ponzoni, IgnacioCiencias InformáticasQuimioinformáticaModelos generativosAnalítica visualLa línea de investigación propone desarrollar y evaluar estrategias avanzadas de modelado molecular basadas en algoritmos generativos para el diseño de fármacos. En primer lugar, se realizará una revisión sistemática de modelos generativos aplicados al diseño molecular, analizando su representación química, capacidad generativa y posibilidades de integración de múltiples fuentes de datos. Luego, se compararán experimentalmente distintos enfoques y se implementarán mejoras, incluyendo la incorporación de nuevas métricas de evaluación. En paralelo, se estudiarán estrategias de modelado de relaciones cuantitativas estructura-actividad (Quantitative Structure-Activity Relationship, QSAR) para validar las moléculas generadas, comparando modelos de consenso basados en redes neuronales profundas individuales frente a modelos multitarea, considerando propiedades ADMET, actividad biológica y otras características relevantes. Los modelos generativos y predictivos más prometedores se integrarán mediante aprendizaje por refuerzo para optimizar simultáneamente múltiples propiedades. Asimismo, se incorporarán estrategias de explicabilidad (XAI) y analítica visual para facilitar la interpretación de resultados y la integración del conocimiento experto. Finalmente, se desarrollará una solución quimioinformática integral orientada al diseño y validación de quimiotecas virtuales, evaluando su desempeño mediante cribado virtual en proyectos de descubrimiento de fármacos.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf300-304http://sedici.unlp.edu.ar/handle/10915/195895spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195895Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.863SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelos generativos interpretables para diseño de novo de moléculas
title Modelos generativos interpretables para diseño de novo de moléculas
spellingShingle Modelos generativos interpretables para diseño de novo de moléculas
Crozes, Trinidad
Ciencias Informáticas
Quimioinformática
Modelos generativos
Analítica visual
title_short Modelos generativos interpretables para diseño de novo de moléculas
title_full Modelos generativos interpretables para diseño de novo de moléculas
title_fullStr Modelos generativos interpretables para diseño de novo de moléculas
title_full_unstemmed Modelos generativos interpretables para diseño de novo de moléculas
title_sort Modelos generativos interpretables para diseño de novo de moléculas
dc.creator.none.fl_str_mv Crozes, Trinidad
Sabando, Vir
Soto, Axel J.
Ponzoni, Ignacio
author Crozes, Trinidad
author_facet Crozes, Trinidad
Sabando, Vir
Soto, Axel J.
Ponzoni, Ignacio
author_role author
author2 Sabando, Vir
Soto, Axel J.
Ponzoni, Ignacio
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Quimioinformática
Modelos generativos
Analítica visual
topic Ciencias Informáticas
Quimioinformática
Modelos generativos
Analítica visual
dc.description.none.fl_txt_mv La línea de investigación propone desarrollar y evaluar estrategias avanzadas de modelado molecular basadas en algoritmos generativos para el diseño de fármacos. En primer lugar, se realizará una revisión sistemática de modelos generativos aplicados al diseño molecular, analizando su representación química, capacidad generativa y posibilidades de integración de múltiples fuentes de datos. Luego, se compararán experimentalmente distintos enfoques y se implementarán mejoras, incluyendo la incorporación de nuevas métricas de evaluación. En paralelo, se estudiarán estrategias de modelado de relaciones cuantitativas estructura-actividad (Quantitative Structure-Activity Relationship, QSAR) para validar las moléculas generadas, comparando modelos de consenso basados en redes neuronales profundas individuales frente a modelos multitarea, considerando propiedades ADMET, actividad biológica y otras características relevantes. Los modelos generativos y predictivos más prometedores se integrarán mediante aprendizaje por refuerzo para optimizar simultáneamente múltiples propiedades. Asimismo, se incorporarán estrategias de explicabilidad (XAI) y analítica visual para facilitar la interpretación de resultados y la integración del conocimiento experto. Finalmente, se desarrollará una solución quimioinformática integral orientada al diseño y validación de quimiotecas virtuales, evaluando su desempeño mediante cribado virtual en proyectos de descubrimiento de fármacos.
Red de Universidades con Carreras en Informática
description La línea de investigación propone desarrollar y evaluar estrategias avanzadas de modelado molecular basadas en algoritmos generativos para el diseño de fármacos. En primer lugar, se realizará una revisión sistemática de modelos generativos aplicados al diseño molecular, analizando su representación química, capacidad generativa y posibilidades de integración de múltiples fuentes de datos. Luego, se compararán experimentalmente distintos enfoques y se implementarán mejoras, incluyendo la incorporación de nuevas métricas de evaluación. En paralelo, se estudiarán estrategias de modelado de relaciones cuantitativas estructura-actividad (Quantitative Structure-Activity Relationship, QSAR) para validar las moléculas generadas, comparando modelos de consenso basados en redes neuronales profundas individuales frente a modelos multitarea, considerando propiedades ADMET, actividad biológica y otras características relevantes. Los modelos generativos y predictivos más prometedores se integrarán mediante aprendizaje por refuerzo para optimizar simultáneamente múltiples propiedades. Asimismo, se incorporarán estrategias de explicabilidad (XAI) y analítica visual para facilitar la interpretación de resultados y la integración del conocimiento experto. Finalmente, se desarrollará una solución quimioinformática integral orientada al diseño y validación de quimiotecas virtuales, evaluando su desempeño mediante cribado virtual en proyectos de descubrimiento de fármacos.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195895
url http://sedici.unlp.edu.ar/handle/10915/195895
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
300-304
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982612216774656
score 13.265058

Publicaciones similares