Desenvolvimento de um ETL para treinamento de modelos QSAR a partir do PubChem BioAssays

Abstract

A descoberta de novos medicamentos, ou Drug Discovery Pipeline (DDP) é essencial para o avanço da medicina, mas é um processo complexo devido à necessidade de triagem de bilhões de compostos (Attene-Ramos, Austin, Xia, 2014). Para acelerar este processo, métodos como relação quantitativa estrutura-atividade (QSAR) e modelagem molecular, ou docking têm se mostrado eficazes. QSAR prevê a atividade biológica de compostos químicos, enquanto o docking analisa a interação entre moléculas e seus alvos biológicos, ambos economizando tempo e recursos(Neves et al., 2018). Bancos de dados científicos como PubChem (https://pubchem.ncbi.nlm.nih.gov/) e o ChEBML (https://www.ebi.ac.uk/chembl/) armazenam enormes quantidades de dados de informações químicas e biológicas. Devido a esses grandes volumes armazenados, a automação auxilia de forma eficaz no gerenciamento dessas informações. Nesse contexto, processos como o ETL (Extract, Transform, Load) são cruciais, pois realizam extrações de dados de diversas fontes., transformá-los para garantir a consistência e qualidade e carregar para sistemas de análise. Essa automação facilita a integração e a atualização contínua de dados complexos (Souibgui et al., 2019).