Integración de molecular docking y deep learning multimodal para modelado predictivo en ciencia de la salud

E. Junquera Álvarez, I. Díaz, B. Remeseiro

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

Clasificación y Reconocimiento de Patrones
2 de septiembre de 2026  11:20
Aula 22

R. Alberich Martí, N. A. Cruz Gutierrez, R. Fernández Peralta, I. García Mosquera, A. Mir Torres, F. Rosselló Llompart

M. Castellano, N. Acar Denizli

L. Muñoz Garatachea, L. Muñoz Garatachea, N. Ayuso Escuer, R. Trillo Lado