Integración de molecular docking y deep learning multimodal para modelado predictivo en ciencia de la salud
Se propone un marco de ciencia de datos para el análisis predictivo de interacciones químico-biológicas basado en la integración de molecular docking y aprendizaje profundo multimodal. El procedimiento combina representaciones estructurales moleculares con información derivada de simulaciones proteína-ligando, permitiendo construir modelos capaces de capturar patrones espaciales, energéticos y estructurales en contextos de alta dimensionalidad.
Aunque el enfoque se ilustra en aplicaciones relacionadas con la prevención del cáncer y la reducción de la experimentación animal, su interés trasciende estos casos particulares. En particular, la fusión de modalidades heterogéneas de datos ofrece un marco flexible para tareas de clasificación y reconocimiento de patrones en biomedicina, con potencial para el desarrollo de metodologías predictivas escalables, reproducibles y de interés en modelización estadística y computacional.
Palabras clave: aprendizaje automático deep learning multimodal molecular docking modelado predictivo cáncer experimentación animal ciencia de la salud