Modelos de Deep Learning en la predicción de propiedades ADME/Tox
Resumen
El presente trabajo aborda el desarrollo de un modelo de Deep Learning para la predicción de propiedades ADME/Tox en péptidos cíclicos modificados desde la perspectiva de la ingeniería de software. El objetivo fue establecer una metodología sólida y replicable que guíe el diseño y la implementación del modelo, asegurando la calidad y la trazabilidad del proceso. Para ello, se definieron los requisitos funcionales y no funcionales mediante un análisis detallado del dominio y se diseñó una arquitectura modular basada en principios de escalabilidad y mantenibilidad. Se utilizaron herramientas de modelado como diagramas de casos de uso, diagramas de componentes y diagramas de secuencia, para documentar las interacciones del sistema. La metodología empleada incluyó un enfoque iterativo e incremental, soportado por prácticas ágiles que permitieron validar continuamente los avances. Los resultados alcanzados incluyen un prototipo funcional, cuyo diseño garantiza la extensibilidad para incorporar nuevos métodos de codificación molecular y métricas de evaluación. Este enfoque demostró ser eficiente para estructurar procesos complejos y mejorar la predictibilidad del sistema. La integración de principios de ingeniería de software en proyectos de bioinformática no solo optimiza el desarrollo técnico, sino que también favorece la reproducibilidad y aplicabilidad en escenarios de investigación y desarrollo farmacológico.
