Resumen:
Este documento presenta el diseño, entrenamiento y evaluación de una red neuronal para predecir simultáneamente cuatro métricas de similitud molecular entre compuestos químicos: Tanimoto 2D (ECFP4), similitud del coseno, similitud de forma 3D (OpenEye ROCS) y Combo Tanimoto. El modelo fue entrenado con 48 462 pares moleculares derivados de 20 095 compuestos de ChEMBL, utilizando datos reales de similitud tridimensional generados mediante OpenEye OMEGA/ROCS y tomando como compuestos de referencia 12 benzimidazoles evaluados experimentalmente. La arquitectura de la red neuronal convolucional (CNN), con 399 300 parámetros entrenables, alcanzó un R² promedio de 0,9353 y una correlación de Spearman de 0,9724 en el conjunto de validación. El sistema se implementó como una aplicación web interactiva desarrollada con Streamlit, que permite a los usuarios ingresar una cadena SMILES y obtener un ranking de similitud con respecto a los compuestos de referencia. Este trabajo da continuidad al PIA-01 al materializar el prototipo funcional propuesto y demostrar la viabilidad de integrar inteligencia artificial con quimioinformática para acelerar la priorización de compuestos mediante similitud molecular.
