Predicción de resistencia a fármacos del VIH utilizando multiclasificadores.

Abstract

Debido a la elevada capacidad de mutación del VIH, es importante determinar la resistencia que puede ofrecer la cepa del virus presente en un paciente, antes de administrarle un fármaco. Las pruebas para determinar esta resistencia son sumamente costosas o complejas, por lo que en los últimos años se han aplicado técnicas de Inteligencia Artificial para predecirla, pero sus porcentajes de predicción aún no satisfacen las necesidades en algunos casos. En este trabajo se muestra el uso de multiclasificadores para mejorar la predicción de resistencia de la proteína transcriptasa inversa, ante nueve inhibidores de la misma. Las bases de casos se construyeron utilizando la relación genotipo-fenotipo de varios mutantes del virus, disponible en la base de datos de Stanford. Para entrenar los clasificadores y multiclasificadores se utilizó una extensión de la plataforma de aprendizaje automatizado Weka. Se implementa una herramienta para transformar las bases, vistas como un problema de clasificación, a un formato . arff. Al entrenar los multiclasificadores, uno de los mayores problemas es selecci onar los clasificadores de base; para facilitar esta selección se diseñó e implementó una aplicación que permite el cálculo de diferentes medidas de diversidad, sugiriendo así aquellos clasificadores con resultados menos correlacionados entre sí. Se crearon, entrenaron y validaron varios modelos, alcanzando resultados significativamente superiores para Multi-Expert by Hard Instances, que supera el 97% de clasificaciones correctas en la mayoría de los casos. Los multiclasificadores entrenados, podrán utilizarse para predecir la resistencia a estos fármacos, partiendo de la información genética de nuevas cepas del virus.