Analyzing the impact of dimensionality reduction over human intestinal absorption prediction through machine learning

Uma propriedade desejável no desenvolvimento de drogas é entrega oral. A triagem virtual de compostos químicos de acordo com sua biodisponibilidade oral com inteligência computacional pode acelerar a predição de sua absorção intestinal humana (HIA). A despeito da existência de vários estudos almejando predizer a permeabilidade intestinal de compostos químicos, nenhum tentou avaliar o impacto do uso de propriedades fisicoquímicas e estruturais relacionadas à biodisponibilidade oral com técnicas de redução de dimensionalidade (DR) e aprendizado de máquina (ML). Este estudo de caso apresenta uma análise sobre o impacto da aplicação de técnicas de redução de dimensionalidade tais como Análise de Componentes Principais (PCA), PCA baseado em Kernel (KPCA), Ivis, Aproximação e Projeção de Manifold Uniforme (UMAP) e Decomposição de Valor Singular Truncado(TSVD), conjuntamente com preditores de ML tais como Redes Neurais Artificiais (ANN), K-Vizinhos mais Próximos (KNN), Máquina de Vetores de Suporte (SVM) e Floresta Aleatória (RF) na predição de HIA de pequenas moléculas, dando foco ao comportamento dos modelos conforme a dimensionalidade varia. Os resultados demonstram que, apesar de reduzir a dimensionalidade em mais de 90%, os modelos de menor dimensionalidade para o KNN, RF e SVM ainda apresentaram resultados competitivos, demonstrando a viabilidade e o potencial de técnicas de DR enquanto etapa de pré-processamento.