Resumen El Acoplamiento molecular enfrenta problemas asociados al análisis de entidades de alta dimensionalidad y pocas muestras; es el caso de los efectos del fenómeno de Maldición de dimensionalidad que se presentan cuando se utilizan algoritmos de Aprendizaje supervisado y Optimización matemática para acoplar moléculas basados en técnicas basados en ligando (LBVS-Ligand-Based Virtual Screening). Se propone la utilización del concepto de Complejidad LMC como medida de relevancia, para identificar moléculas que por comparación con Compuestos activos puedan ser propuestos como Candidatos a medicamento. El objetivo es medir la similaridad entre vectores mediante Complejidad LMC , y ordenar las comparaciones hechas entre ellos con respecto aésta característica, para descubrir las moléculas más parecidas a los Compuestos activos. Se diseñó un algoritmo de medición de similaridad por Complejidad LMC, que comparó dos grupos de vectores de alta dimensionalidad; un grupo de vectores Candidatos a medicamento contra un grupo de Compuestos activos o Medicamentos. Los resultados muestran que la aplicación de este concepto sobre los Compuestos activos es más informativa que la búsqueda individual de los mejores Candidatos a medicamento. Ya que el grado de similaridad global que mantienen con los Candidatos a medicamento permite distinguir que Compuestos activos son los mejores vectores con los que coincidiran en alto grado los vectores Candidatos. La identificación de vectores por ordenamiento evitó algunos de los efectos del fenómeno de Maldición de dimensionalidad.Palabras clave: Acoplamiento molecular, compuesto activo, candidato a medicamento, complejidad LMC, maldición de dimensionalidad.
Molecular Docking based on ligand by LMC ComplexityAbstract. Molecular Docking faces problems related to Curse of dimensionality, due to the fact that it analyzes data with high dimensionality and few samples. LBVS-Ligand-Based Virtual Screening conducts studies of docking among molecules using common attributes registered 185