Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa

Autores
Alice, Juan Ignacio
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El plan de trabajo tiene como objetivo la búsqueda de nuevos tratamientos antichagásicos a partir de herramientas computacionales, focalizando dicha búsqueda en compuestos con posible actividad inhibitoria de la enzima Tripanotión Sintetasa (TryS). La Enfermedad de Chagas es una parasitosis endémica de América Latina causada por el protozoo hemoflagelado Tripanosoma cruzi (T. cruzi). Actualmente afecta a más de 8 millones de personas y genera más de 12.000 muertes anuales (https://www.who.int/health-topics/chagas-disease; último acceso 5/10/2020). A pesar de ello solo se disponen de 2 drogas para su tratamiento, las cuales resultan inadecuadas por su baja tasa de curación en la etapa crónica de la enfermedad, y por sus severos efectos adversos. Es por lo tanto necesario encontrar nuevas alternativas terapéuticas que puedan superar estas limitaciones. En nuestro trabajo, desarrollamos modelos in silico para seleccionar inhibidores de TryS, para ello empleamos un método de semicorrelación con el objetivo de obtener modelos clasificadores lineales, con capacidad de clasificar un compuesto como Activo (con capacidad inhibitoria sobre TryS) o Inactivo (sin efecto inhibitorio), basando el cálculo en descriptores moleculares. A partir de una búsqueda bibliográfica se construyó una base de datos con más 400 entidades químicas evaluadas frente a TryS. Mediante scripts in house en entorno R se generaron 1000 modelos capaces de discriminar entre compuestos con y sin capacidad inhibitoria. A fin de validar los modelos se llevó a cabo una campaña piloto de cribado in silico (cribado retrospectivo) sobre una biblioteca de compuestos conteniendo una pequeña proporción de inhibidores conocidos dispersos entre señuelos generados mediante la aplicación DUD-E (Mysinger et al., 2012). Los modelos con mejor desempeño fueron combinados mediante aprendizaje por ensamblado. Se utilizaron diversas métricas de enriquecimiento para evaluar el desempeño de los modelos, y mediante el análisis de gráficas de superficie del PPV (Morales et al., 2020) optimizamos el valor de corte del score de manera de disminuir considerablemente la probabilidad de encontrarnos con falsos positivos. El ensamble de los mejores modelos fue aplicado al cribado in silico de las bases de datos SweetLead (Novick et al., 2013) y DrugBank (Knox et al., 2011), seleccionando 169 compuestos químicos (incluyendo 41 fármacos aprobados) como potenciales compuestos tripanocidas. Finalmente, luego de un análisis de las características de la patología, estructura química y propiedades biofarmacéuticas de los candidatos seleccionados, adquirimos 5 drogas para evaluar su actividad inhibitoria frente enzima TryS de tres especies de tripanosomátidos (T. cruzi, Tripanosoma brucei (T. brucei) y Leishmania infantum) y actividad tripanocida frente a diferentes estadios de T. cruzi y al estadio sanguíneo de T. brucei.
Carrera: Doctorado de la Fac. de Cs. Exactas Área Ciencias Biológicas Tipo de beca: Doctoral Año de inicio de beca: 2016 Año de finalización de beca: 2022 Organismo: CONICET Apellido, Nombre del Director/a/e: Talevi Alan Apellido, Nombre del Codirector/a/e: Bellera Carolina Tipo de investigación: Básica
Facultad de Ciencias Exactas
Laboratorio de Investigación y Desarrollo de Bioactivos
Materia
Química
Chagas
Diseño de farmacos
Trypanosoma cruzi
Machine learning
Qsar
Drug discovery
Trypanosoma cruzi
Chagas
Machin learning
Qsar
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/114440

id SEDICI_234d55b088f9957fe8deda29d20f7201
oai_identifier_str oai:sedici.unlp.edu.ar:10915/114440
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasaAlice, Juan IgnacioQuímicaChagasDiseño de farmacosTrypanosoma cruziMachine learningQsarDrug discoveryTrypanosoma cruziChagasMachin learningQsarEl plan de trabajo tiene como objetivo la búsqueda de nuevos tratamientos antichagásicos a partir de herramientas computacionales, focalizando dicha búsqueda en compuestos con posible actividad inhibitoria de la enzima Tripanotión Sintetasa (TryS). La Enfermedad de Chagas es una parasitosis endémica de América Latina causada por el protozoo hemoflagelado Tripanosoma cruzi (T. cruzi). Actualmente afecta a más de 8 millones de personas y genera más de 12.000 muertes anuales (https://www.who.int/health-topics/chagas-disease; último acceso 5/10/2020). A pesar de ello solo se disponen de 2 drogas para su tratamiento, las cuales resultan inadecuadas por su baja tasa de curación en la etapa crónica de la enfermedad, y por sus severos efectos adversos. Es por lo tanto necesario encontrar nuevas alternativas terapéuticas que puedan superar estas limitaciones. En nuestro trabajo, desarrollamos modelos in silico para seleccionar inhibidores de TryS, para ello empleamos un método de semicorrelación con el objetivo de obtener modelos clasificadores lineales, con capacidad de clasificar un compuesto como Activo (con capacidad inhibitoria sobre TryS) o Inactivo (sin efecto inhibitorio), basando el cálculo en descriptores moleculares. A partir de una búsqueda bibliográfica se construyó una base de datos con más 400 entidades químicas evaluadas frente a TryS. Mediante scripts in house en entorno R se generaron 1000 modelos capaces de discriminar entre compuestos con y sin capacidad inhibitoria. A fin de validar los modelos se llevó a cabo una campaña piloto de cribado in silico (cribado retrospectivo) sobre una biblioteca de compuestos conteniendo una pequeña proporción de inhibidores conocidos dispersos entre señuelos generados mediante la aplicación DUD-E (Mysinger et al., 2012). Los modelos con mejor desempeño fueron combinados mediante aprendizaje por ensamblado. Se utilizaron diversas métricas de enriquecimiento para evaluar el desempeño de los modelos, y mediante el análisis de gráficas de superficie del PPV (Morales et al., 2020) optimizamos el valor de corte del score de manera de disminuir considerablemente la probabilidad de encontrarnos con falsos positivos. El ensamble de los mejores modelos fue aplicado al cribado in silico de las bases de datos SweetLead (Novick et al., 2013) y DrugBank (Knox et al., 2011), seleccionando 169 compuestos químicos (incluyendo 41 fármacos aprobados) como potenciales compuestos tripanocidas. Finalmente, luego de un análisis de las características de la patología, estructura química y propiedades biofarmacéuticas de los candidatos seleccionados, adquirimos 5 drogas para evaluar su actividad inhibitoria frente enzima TryS de tres especies de tripanosomátidos (T. cruzi, Tripanosoma brucei (T. brucei) y Leishmania infantum) y actividad tripanocida frente a diferentes estadios de T. cruzi y al estadio sanguíneo de T. brucei.Carrera: Doctorado de la Fac. de Cs. Exactas Área Ciencias Biológicas Tipo de beca: Doctoral Año de inicio de beca: 2016 Año de finalización de beca: 2022 Organismo: CONICET Apellido, Nombre del Director/a/e: Talevi Alan Apellido, Nombre del Codirector/a/e: Bellera Carolina Tipo de investigación: BásicaFacultad de Ciencias ExactasLaboratorio de Investigación y Desarrollo de Bioactivos2020-11-12info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaimage/jpeghttp://sedici.unlp.edu.ar/handle/10915/114440spainfo:eu-repo/semantics/altIdentifier/url/https://congresos.unlp.edu.ar/ebec2020/juan-ignacio-aliceinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:26:30Zoai:sedici.unlp.edu.ar:10915/114440Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:26:30.659SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
title Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
spellingShingle Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
Alice, Juan Ignacio
Química
Chagas
Diseño de farmacos
Trypanosoma cruzi
Machine learning
Qsar
Drug discovery
Trypanosoma cruzi
Chagas
Machin learning
Qsar
title_short Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
title_full Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
title_fullStr Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
title_full_unstemmed Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
title_sort Búsqueda de nuevos farmacos antichagásicos inhibidores de la tripanotión sintetasa
dc.creator.none.fl_str_mv Alice, Juan Ignacio
author Alice, Juan Ignacio
author_facet Alice, Juan Ignacio
author_role author
dc.subject.none.fl_str_mv Química
Chagas
Diseño de farmacos
Trypanosoma cruzi
Machine learning
Qsar
Drug discovery
Trypanosoma cruzi
Chagas
Machin learning
Qsar
topic Química
Chagas
Diseño de farmacos
Trypanosoma cruzi
Machine learning
Qsar
Drug discovery
Trypanosoma cruzi
Chagas
Machin learning
Qsar
dc.description.none.fl_txt_mv El plan de trabajo tiene como objetivo la búsqueda de nuevos tratamientos antichagásicos a partir de herramientas computacionales, focalizando dicha búsqueda en compuestos con posible actividad inhibitoria de la enzima Tripanotión Sintetasa (TryS). La Enfermedad de Chagas es una parasitosis endémica de América Latina causada por el protozoo hemoflagelado Tripanosoma cruzi (T. cruzi). Actualmente afecta a más de 8 millones de personas y genera más de 12.000 muertes anuales (https://www.who.int/health-topics/chagas-disease; último acceso 5/10/2020). A pesar de ello solo se disponen de 2 drogas para su tratamiento, las cuales resultan inadecuadas por su baja tasa de curación en la etapa crónica de la enfermedad, y por sus severos efectos adversos. Es por lo tanto necesario encontrar nuevas alternativas terapéuticas que puedan superar estas limitaciones. En nuestro trabajo, desarrollamos modelos in silico para seleccionar inhibidores de TryS, para ello empleamos un método de semicorrelación con el objetivo de obtener modelos clasificadores lineales, con capacidad de clasificar un compuesto como Activo (con capacidad inhibitoria sobre TryS) o Inactivo (sin efecto inhibitorio), basando el cálculo en descriptores moleculares. A partir de una búsqueda bibliográfica se construyó una base de datos con más 400 entidades químicas evaluadas frente a TryS. Mediante scripts in house en entorno R se generaron 1000 modelos capaces de discriminar entre compuestos con y sin capacidad inhibitoria. A fin de validar los modelos se llevó a cabo una campaña piloto de cribado in silico (cribado retrospectivo) sobre una biblioteca de compuestos conteniendo una pequeña proporción de inhibidores conocidos dispersos entre señuelos generados mediante la aplicación DUD-E (Mysinger et al., 2012). Los modelos con mejor desempeño fueron combinados mediante aprendizaje por ensamblado. Se utilizaron diversas métricas de enriquecimiento para evaluar el desempeño de los modelos, y mediante el análisis de gráficas de superficie del PPV (Morales et al., 2020) optimizamos el valor de corte del score de manera de disminuir considerablemente la probabilidad de encontrarnos con falsos positivos. El ensamble de los mejores modelos fue aplicado al cribado in silico de las bases de datos SweetLead (Novick et al., 2013) y DrugBank (Knox et al., 2011), seleccionando 169 compuestos químicos (incluyendo 41 fármacos aprobados) como potenciales compuestos tripanocidas. Finalmente, luego de un análisis de las características de la patología, estructura química y propiedades biofarmacéuticas de los candidatos seleccionados, adquirimos 5 drogas para evaluar su actividad inhibitoria frente enzima TryS de tres especies de tripanosomátidos (T. cruzi, Tripanosoma brucei (T. brucei) y Leishmania infantum) y actividad tripanocida frente a diferentes estadios de T. cruzi y al estadio sanguíneo de T. brucei.
Carrera: Doctorado de la Fac. de Cs. Exactas Área Ciencias Biológicas Tipo de beca: Doctoral Año de inicio de beca: 2016 Año de finalización de beca: 2022 Organismo: CONICET Apellido, Nombre del Director/a/e: Talevi Alan Apellido, Nombre del Codirector/a/e: Bellera Carolina Tipo de investigación: Básica
Facultad de Ciencias Exactas
Laboratorio de Investigación y Desarrollo de Bioactivos
description El plan de trabajo tiene como objetivo la búsqueda de nuevos tratamientos antichagásicos a partir de herramientas computacionales, focalizando dicha búsqueda en compuestos con posible actividad inhibitoria de la enzima Tripanotión Sintetasa (TryS). La Enfermedad de Chagas es una parasitosis endémica de América Latina causada por el protozoo hemoflagelado Tripanosoma cruzi (T. cruzi). Actualmente afecta a más de 8 millones de personas y genera más de 12.000 muertes anuales (https://www.who.int/health-topics/chagas-disease; último acceso 5/10/2020). A pesar de ello solo se disponen de 2 drogas para su tratamiento, las cuales resultan inadecuadas por su baja tasa de curación en la etapa crónica de la enfermedad, y por sus severos efectos adversos. Es por lo tanto necesario encontrar nuevas alternativas terapéuticas que puedan superar estas limitaciones. En nuestro trabajo, desarrollamos modelos in silico para seleccionar inhibidores de TryS, para ello empleamos un método de semicorrelación con el objetivo de obtener modelos clasificadores lineales, con capacidad de clasificar un compuesto como Activo (con capacidad inhibitoria sobre TryS) o Inactivo (sin efecto inhibitorio), basando el cálculo en descriptores moleculares. A partir de una búsqueda bibliográfica se construyó una base de datos con más 400 entidades químicas evaluadas frente a TryS. Mediante scripts in house en entorno R se generaron 1000 modelos capaces de discriminar entre compuestos con y sin capacidad inhibitoria. A fin de validar los modelos se llevó a cabo una campaña piloto de cribado in silico (cribado retrospectivo) sobre una biblioteca de compuestos conteniendo una pequeña proporción de inhibidores conocidos dispersos entre señuelos generados mediante la aplicación DUD-E (Mysinger et al., 2012). Los modelos con mejor desempeño fueron combinados mediante aprendizaje por ensamblado. Se utilizaron diversas métricas de enriquecimiento para evaluar el desempeño de los modelos, y mediante el análisis de gráficas de superficie del PPV (Morales et al., 2020) optimizamos el valor de corte del score de manera de disminuir considerablemente la probabilidad de encontrarnos con falsos positivos. El ensamble de los mejores modelos fue aplicado al cribado in silico de las bases de datos SweetLead (Novick et al., 2013) y DrugBank (Knox et al., 2011), seleccionando 169 compuestos químicos (incluyendo 41 fármacos aprobados) como potenciales compuestos tripanocidas. Finalmente, luego de un análisis de las características de la patología, estructura química y propiedades biofarmacéuticas de los candidatos seleccionados, adquirimos 5 drogas para evaluar su actividad inhibitoria frente enzima TryS de tres especies de tripanosomátidos (T. cruzi, Tripanosoma brucei (T. brucei) y Leishmania infantum) y actividad tripanocida frente a diferentes estadios de T. cruzi y al estadio sanguíneo de T. brucei.
publishDate 2020
dc.date.none.fl_str_mv 2020-11-12
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/114440
url http://sedici.unlp.edu.ar/handle/10915/114440
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://congresos.unlp.edu.ar/ebec2020/juan-ignacio-alice
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv image/jpeg
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616142932410368
score 13.070432