Este curso te guía para perfilar compuestos con ADMET in silico y crear modelos QSAR/ML orientados al cumplimiento ICH (M7, M12, Q3). Inicia con nivelación en Python (Colab/Jupyter) y Pandas, sigue con fundamentos ADMET y PK, curación de datos (ChEMBL, PubChem, DrugBank), descriptores y reglas de drug-likeness. Aprenderás a usar críticamente SwissADME, pkCSM, admetSAR, ADMETlab, Toxtree, ADMET-AI y a construir modelos en scikit-learn (split train/test, CV, métricas de regresión y clasificación). Integraremos resultados con priorización multicriterio y un proyecto final (notebook reproducible + reporte ejecutivo). Dirigido a estudiantes/posgrados, investigadores, profesionales de I+D (farma, biotec, cosmética, nutracéuticos, agroquímicos) y perfiles regulatorios. Requisitos: nociones de química/bioquímica y PK básica (Cmax, AUC, t½), estadística elemental y manejo básico de Colab/Jupyter y CSV; deseable familiaridad con SMILES/descriptores.

​

TEMARIO

Módulo 0: Bienvenida e introducción a python (1h )

• Instalación/configuración de Google Colab o Jupyter Notebook.

• Breve introducción a la sintaxis básica de Python y Pandas necesaria para el curso.

• Taller 0: "Hola Mundo" en Python y lectura de un archivo CSV con Pandas.

 

Módulo 1: Fundamentos y Contexto Industrial (3h)

• La crisis de productividad en la industria farmacéutica: ¿por qué fallan los candidatos?

• El rol de las propiedades ADMET (Absorción, Distribución, Metabolismo, Excreción, Toxicidad) en la optimización de leads.

• Introducción a la Quimioinformática como disciplina clave.

• Farmacocinética básica para computacionales: Cmax, AUC, vida media, biodisponibilidad.

• Taller 1: Análisis de casos de estudio reales de fracasos y éxitos vinculados a predicciones ADMET.

 

Unidad 2. Bases de datos y curación de compuestos (3 h)--6

• Bases de datos públicas (ChEMBL, PubChem, DrugBank): cómo buscar y descargar datos relevantes.

• Cómo descargar, limpiar y usar datasets en quimioinformática.

• Curación de datos: normalización de SMILES, eliminación de duplicados, manejo de tautómeros y estados de protonación.

• Descriptores moleculares: qué son y para qué sirven (descriptores 1D/2D, fingerprints).

• Reglas de filtrado molecular (Lipinski, Veber, Ghose).

• Taller 2: Descarga de un dataset, curación y cálculo de reglas de drug-likeness.

 

Unidad 3. Herramientas computacionales de predicción ADMET (3h)--8

• Plataformas de predicción libre: SwissADME, pkCSM, admetSAR, ADMETlab, Toxtree, ADMET-AI

• Ventajas, desventajas y alcance de cada herramienta.

• Casos reales de fallo de candidatos por propiedades ADMET.

• Interpretación de resultados y análisis de alertas estructurales (ej. toxicidad).

• Taller 3: Análisis comparativo de un conjunto de moléculas en 2-3 plataformas web diferentes. Creación de un reporte consolidado.

 

Módulo 4: Fundamentos de Modelado QSAR/ML para ADMET (6h)

• Parte 4.1 (3h): Conceptos Teóricos

  • ¿Qué es un modelo QSAR? Supuestos y limitaciones.

  • Introducción al Machine Learning para predicción de propiedades (regresión y clasificación).

  • La importancia de la división entrenamiento/test y la validación cruzada.

  • Métricas de performance: RMSE, MAE (regresión); Accuracy, Precision, Recall, ROC-AUC (clasificación).

• Parte 4.2 (3h): Práctica Guiada

  • Taller 4: Construcción de un modelo de clasificación sencillo (ej. permeable/no permeable) usando Scikit-learn y descriptores de RDKit. Evaluación de su performance.

 

Módulo 5: Integración y Priorización (6h)

• Parte 5.1 (3h): Estrategias de Priorización

  • Cómo manejar y reconciliar resultados contradictorios entre diferentes herramientas o modelos.

  • Definición de criterios de priorización específicos para un proyecto (ej.: absorción oral > metabolismo > toxicidad).

  • Técnicas simples de multicriterio para la toma de decisiones  (ej.: scoring systems, radar plots).

• Parte 5.2 (3h): Proyecto Integrador

  • Taller 5 (Proyecto Final): Se proporciona un conjunto de compuestos novedosos. Los participantes, en grupos, deberán:

    1. Curar los datos.

    2. Obtener predicciones de herramientas web.

    3. (Opcional para grupos avanzados) Ejecutar un modelo propio simple.

    4. Integrar todos los resultados en un dashboard o tabla de scoring.

    5. Priorizar los compuestos y justificar su elección basándose en el perfil ADMET predicho.

 

Módulo 6:: "Del perfilado ADMET a la aplicabilidad regulatoria: introducción a las guías ICH" (60 min)

• Contexto: ¿Por qué la industria farmacéutica requiere predicciones ADMET?

• Marco regulatorio: introducción a las guías ICH

  • ICH M7: evaluación de impurezas con potencial mutagénico.

  • ICH M12: identificación de metabolitos en desarrollo de fármacos.

  • ICH Q3: límites de impurezas en productos farmacéuticos.

• Ejemplos de cómo los modelos in silico ADMET ayudan a cumplir con estas guías:

  • Identificación temprana de mutagenicidad (M7).

  • Predicción de metabolismo y formación de metabolitos (M12).

  • Evaluación de toxicidad de impurezas (Q3).

• Reflexión final: transición de la investigación académica al cumplimiento industrial.

 

Módulo 7: Presentación de Proyectos y Cierre (2h)

• Presentaciones breves (5-10 min) de cada grupo con su priorización y justificación.

• Discusión grupal: retos, limitaciones y lecciones aprendidas.

• Cierre del curso: resumen de aprendizajes y recursos para continuar.

 

Evaluación y Entregables

• Entrega y resolución de las tareas vinculadas a cada Taller (40%):.

• Proyecto Final Grupal (60%):

  • Notebook de Python/Jupyter completamente documentado y reproducible.

  • Reporte ejecutivo en PDF (2-3 páginas) que explique el proceso, los resultados y la justificación de la priorización, dirigido a un "jefe de proyecto" que puede no ser experto en modelado.

 

¿Quieres saber más del temario? Descarga la versión PDF