.avif)
El descubrimiento científico siempre ha dependido de datos buenos y limpios. Los datos erróneos conducen a resultados irreproducibles, soluciones problemáticas y, en última instancia, a la necesidad de revisar y adquirir mejores datos. Ahora que los modelos predictivos basados en inteligencia artificial son cada vez más comunes en los flujos de trabajo del descubrimiento temprano de fármacos, la importancia de contar con datos precisos y coherentes en todos los flujos de trabajo de investigación nunca ha sido mayor.
Los datos desordenados siguen siendo un desafío persistente en el descubrimiento moderno de fármacos, lo que obliga a los científicos a dedicar una cantidad considerable de tiempo a resolver inconsistencias en la denominación de entidades, detectar formatos de base de datos que no coinciden y corregir errores. Las máquinas tienen dificultades para manejar los matices de los conjuntos de datos complejos porque carecen de la comprensión contextual necesaria para interpretar la ambigüedad y las inconsistencias. Los científicos humanos se encargan frecuentemente de identificar y luego rectificar los problemas ocultos en los datos que la tecnología no está equipada para abordar de manera suficiente.
Para los equipos de descubrimiento de fármacos, los datos desordenados crean un efecto dominó que lleva a los investigadores a diseñar experimentos y construir modelos basados en suposiciones erróneas o información incompleta, lo que finalmente desperdicia recursos valiosos. Aquí es donde los procesos complementarios de limpieza y armonización de datos desempeñan un papel fundamental en la optimización de los flujos de trabajo, cada uno abordando desafíos distintos pero interconectados.
- Limpieza de datos: El proceso en el que expertos identifican y corrigen errores, completan valores faltantes y eliminan información irrelevante para garantizar la precisión y fiabilidad dentro de los conjuntos de datos individuales
- Armonización de datos: La integración humana de información proveniente de múltiples fuentes, estandarizándola y unificándola en un marco cohesivo para permitir un análisis, una comparabilidad y una colaboración fluidos
La clave para una limpieza y armonización exitosas reside en la curación humana.
Limpieza de datos, el primer paso crítico
Antes de que los científicos puedan armonizar los datos, deben limpiarlos. Al eliminar los errores que surgen de la entrada de datos, errores de cálculo, fallos de sensores o fallos del sistema, los científicos pueden construir la base de datos necesaria para la armonización. Los equipos que confían en datos correctamente limpiados obtienen:
- Mayor precisión, garantizando que los hallazgos obtenidos a partir de estos datos sean fiables y reproducibles, lo que conduce a candidatos a fármacos de alta calidad.
- Mayor eficiencia, reduciendo el tiempo dedicado a la resolución de problemas y a la repetición de análisis debido a errores.
- Colaboración mejorada, facilitando un mejor trabajo en equipo entre grupos, instituciones e industrias al eliminar las discrepancias entre los conjuntos de datos.
- Poder predictivo refinado, utilizando los datos limpios resultantes para construir la base de modelos predictivos que puedan pronosticar con precisión las interacciones fármaco-objetivo, las relaciones con enfermedades y más.
La armonización sin una limpieza de datos adecuada es como construir sobre arenas movedizas: frágil e insostenible. Cuando los científicos limpian los datos, se aseguran de que solo la información más relevante y fiable se incorpore a los procesos posteriores, proporcionando una visión precisa del panorama de la investigación y una base de datos sólida.
Un enfoque estructurado para una armonización de datos exitosa
La armonización de datos (Figura 1) comienza con el establecimiento de constructos de autoridad y estándares de nomenclatura. Por ejemplo, este minucioso trabajo garantiza que entidades como las proteínas se nombren y categoricen de manera uniforme en todas las fuentes y conjuntos de datos para fines de desarrollo de fármacos, a fin de permitir la identificación de objetivos.
La siguiente fase en la armonización es la vinculación de sustancias, en la que los científicos identifican y conectan referencias a la misma sustancia química en conjuntos de datos o bases de datos dispares. Este proceso unifica diferentes representaciones, sinónimos e identificadores de sustancias en una entidad única y coherente. Este esfuerzo es esencial para la farmacología y el descubrimiento de fármacos, donde las diferentes convenciones entre fuentes a menudo dan lugar a que el mismo compuesto se describa de formas distintas.
Más adelante en el proceso de armonización, los científicos de datos identifican y gestionan documentos exactos y relacionados, lo que evita la duplicación de datos y garantiza que solo se conserve la información más relevante. El paso final se centra en asegurar la coherencia de las definiciones de datos en todos los conjuntos de datos, lo cual es esencial para producir una base cohesiva construida con datos de múltiples fuentes.
Los equipos de descubrimiento de fármacos pueden navegar por complejos panoramas de datos con confianza mediante la implementación de un flujo de trabajo de armonización impulsado por la curación humana, lo que da como resultado conjuntos de datos fiables preparados para análisis avanzados y modelos predictivos. Este enfoque sistemático minimiza los errores y garantiza que toda la investigación posterior se base en una base de datos sólida y limpia.
Los datos armonizados mejoran la precisión de los modelos predictivos
Uno de los beneficios más tangibles de la armonización de datos es su impacto en los modelos predictivos. Para demostrar el efecto positivo en la precisión de la predicción, los científicos de CAS utilizaron un conjunto de datos recién armonizado para volver a entrenar un modelo de conjunto existente que predice la actividad de un par ligando-objetivo.
El modelo reentrenado demostró mejoras significativas en la precisión, reduciendo la desviación estándar entre los resultados previstos y los experimentales en un 23% y disminuyendo la discrepancia en las interacciones ligando-objetivo previstas frente a las experimentales en un 56% (Figura 2). Al normalizar el nombre del objetivo y mejorar la vinculación de sustancias, los científicos mejoraron los datos para describir la relación entre una sustancia y su objetivo de manera más consistente y precisa.
Este modelado predictivo subraya el papel esencial de la armonización de datos humana en el perfeccionamiento del rendimiento del modelo. Al identificar y centrarse en los candidatos más prometedores al principio del proceso de cribado, los equipos pueden avanzar más rápido a través de la fase de hit-to-lead y proceder con el desarrollo y los ensayos.
Los datos armonizados impulsan los análisis avanzados
La armonización de datos también optimiza los modelos predictivos y las herramientas analíticas avanzadas, como los grafos de conocimiento y las redes de interacción, que impulsan flujos de trabajo innovadores de descubrimiento de fármacos (Figura 3). Estas herramientas ayudan a los investigadores a explorar las relaciones entre objetivos, sustancias y vías biológicas para identificar asociaciones con enfermedades y nuevas modalidades terapéuticas.
Una base de datos unificada y curada por humanos permite a los científicos rastrear interacciones complejas a través de varios niveles biológicos, como la expresión génica, las interacciones proteicas y las vías metabólicas, proporcionando información que de otro modo quedaría oculta por fuentes de datos fragmentadas. Este enfoque mejora la precisión del descubrimiento de fármacos y acelera la identificación de posibles oportunidades de reposicionamiento de fármacos, ya que revela conexiones ocultas entre compuestos establecidos y objetivos terapéuticos emergentes.
La curación humana constituye la base de la innovación
Al carecer de la capacidad para apreciar los matices contextuales, las máquinas tienen dificultades para gestionar adecuadamente la ambigüedad y las inconsistencias inherentes a los conjuntos de datos biológicos. Los profesionales cualificados desempeñan un papel vital al reconocer variaciones sutiles, resolver errores y alinear los datos para garantizar la precisión y la relevancia de una forma que los sistemas automatizados no pueden. Este proceso es vital para quienes realizan investigación científica y para las organizaciones que prestan servicios relacionados. Por ejemplo, cientos de científicos de CAS limpian, armonizan y seleccionan los datos utilizados para construir la CAS Content Collection™, la mayor colección de conocimiento científico seleccionado por expertos del mundo.
Este esfuerzo se traduce en una mayor fiabilidad de los análisis posteriores y en la aceleración del descubrimiento de posibles dianas farmacológicas y tratamientos eficaces contra enfermedades.
Cuando se aplican a modelos predictivos y herramientas avanzadas como los diagramas de red, los datos armonizados y seleccionados por expertos impulsan avances en las ciencias de la vida y más allá. A medida que las organizaciones siguen dando prioridad a la limpieza de datos en la investigación, pueden garantizar la calidad de sus hallazgos y acelerar la innovación.
