Búsqueda in silico de moléculas anti-Toxoplasma gondii

Autores
Bellusci, Gonzalo
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Toxoplasma gondii es uno de los patógenos oportunistas más importantes en humanos y es el agente causal de la toxoplasmosis. Actualmente no existen vacunas efectivas y los fármacos aprobados presentan diversos efectos adversos. Por tales razones, existe la necesidad de contar con nuevos fármacos contra la toxoplasmosis activa y/o crónica. Nuestro objetivo es la búsqueda in silico de nuevas moléculas que posean actividad anti-T. gondii como alternativas terapéuticas a los tratamientos actuales.Se realizará una búsqueda bibliográfica de moléculas evaluadas en ensayos in vitro frente a T. gondii. Las moléculas encontradas se clasificarán en "inhibidoras" y "no inhibidoras" de acuerdo con los valores de actividad reportados. El set de datos se repartirá en un conjunto de entrenamiento, para generar modelos clasificadores, y dos conjuntos de testeo, para evaluar el desempeño de los modelos generados. Para lograr una participación representativa de los conjuntos de datos se utilizará la herramienta de clustering iRaPCA, que combina la técnica de subespacios aleatorios con el algoritmo K-means para encontrar grupos de moléculas homogéneos y bien separadas de otros grupos.Las moléculas se caracterizarán mediante descriptores moleculares independientes de la conformación y se relacionarán con la actividad anti-T. gondii mediante ecuaciones lineales. Para tal fin se recurrirá a scripts desarrollados en Python que permiten generar diferentes subconjuntos de descriptores no correlacionados y con buena significancia. Cada modelo se validará internamente mediante técnicas de validación estándar. Los conjuntos de testeo se complementarán con presuntos inactivos generados mediante la herramienta LUDe. Se espera obtener sets de validación con una proporción de moléculas inhibidoras menor al 5%. Se evaluarán, para cada modelo, diferentes métricas de enriquecimiento. Los mejores modelos serán combinados sistemáticamente mediante diferentes operadores para aumentar la robustez y capacidad predictiva de los modelos individuales. Finalmente, se analizarán curvas del valor predictivo positivo para seleccionar un valor de corte adecuado para el ensamble seleccionado.El mejor modelo se utilizará para el cribado virtual de bases de datos que compilan fármacos aprobados y en diferentes etapas de desarrollo experimental. Se seleccionarán los mejores candidatos para su evaluación experimental.Las moléculas seleccionadas se evaluarán en ensayos de replicación de los parásitos. Fibroblastos humanos infectados con tachizoitos de T. gondii se incubarán con diferentes concentraciones de los candidatos. La replicación se estudiará mediante inmunofluorescencia directa y se reportará la concentración que inhibe el 50% de la replicación con respecto al control.
Carrera: Licenciatura en Biotecnología y Biología Molecular Lugar de trabajo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Organismo: Ministerio de Capital Humano Año de inicio de beca: 2022 Año de finalización de beca: 2027 Apellido, Nombre del Director/a/e: Alberca, Lucas Lugar de desarrollo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Áreas de conocimiento: Química Tipo de investigación: Básica
Facultad de Ciencias Exactas
Materia
Química
toxoplasma gondii
cribado virtual
descubrimiento de fármacos
aprendizaje automático
toxoplasma gondii
virtual screening
drug discovery
machine learning
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:10915/173233

id SEDICI_7eb5c933c86bdc4655830e4d0a0f8de4
oai_identifier_str oai:sedici.unlp.edu.ar:10915/173233
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Búsqueda in silico de moléculas anti-Toxoplasma gondiiIn silico search of anti-Toxoplasma gondii moleculesBellusci, GonzaloQuímicatoxoplasma gondiicribado virtualdescubrimiento de fármacosaprendizaje automáticotoxoplasma gondiivirtual screeningdrug discoverymachine learningToxoplasma gondii es uno de los patógenos oportunistas más importantes en humanos y es el agente causal de la toxoplasmosis. Actualmente no existen vacunas efectivas y los fármacos aprobados presentan diversos efectos adversos. Por tales razones, existe la necesidad de contar con nuevos fármacos contra la toxoplasmosis activa y/o crónica. Nuestro objetivo es la búsqueda in silico de nuevas moléculas que posean actividad anti-T. gondii como alternativas terapéuticas a los tratamientos actuales.Se realizará una búsqueda bibliográfica de moléculas evaluadas en ensayos in vitro frente a T. gondii. Las moléculas encontradas se clasificarán en "inhibidoras" y "no inhibidoras" de acuerdo con los valores de actividad reportados. El set de datos se repartirá en un conjunto de entrenamiento, para generar modelos clasificadores, y dos conjuntos de testeo, para evaluar el desempeño de los modelos generados. Para lograr una participación representativa de los conjuntos de datos se utilizará la herramienta de clustering iRaPCA, que combina la técnica de subespacios aleatorios con el algoritmo K-means para encontrar grupos de moléculas homogéneos y bien separadas de otros grupos.Las moléculas se caracterizarán mediante descriptores moleculares independientes de la conformación y se relacionarán con la actividad anti-T. gondii mediante ecuaciones lineales. Para tal fin se recurrirá a scripts desarrollados en Python que permiten generar diferentes subconjuntos de descriptores no correlacionados y con buena significancia. Cada modelo se validará internamente mediante técnicas de validación estándar. Los conjuntos de testeo se complementarán con presuntos inactivos generados mediante la herramienta LUDe. Se espera obtener sets de validación con una proporción de moléculas inhibidoras menor al 5%. Se evaluarán, para cada modelo, diferentes métricas de enriquecimiento. Los mejores modelos serán combinados sistemáticamente mediante diferentes operadores para aumentar la robustez y capacidad predictiva de los modelos individuales. Finalmente, se analizarán curvas del valor predictivo positivo para seleccionar un valor de corte adecuado para el ensamble seleccionado.El mejor modelo se utilizará para el cribado virtual de bases de datos que compilan fármacos aprobados y en diferentes etapas de desarrollo experimental. Se seleccionarán los mejores candidatos para su evaluación experimental.Las moléculas seleccionadas se evaluarán en ensayos de replicación de los parásitos. Fibroblastos humanos infectados con tachizoitos de T. gondii se incubarán con diferentes concentraciones de los candidatos. La replicación se estudiará mediante inmunofluorescencia directa y se reportará la concentración que inhibe el 50% de la replicación con respecto al control.Carrera: Licenciatura en Biotecnología y Biología Molecular Lugar de trabajo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Organismo: Ministerio de Capital Humano Año de inicio de beca: 2022 Año de finalización de beca: 2027 Apellido, Nombre del Director/a/e: Alberca, Lucas Lugar de desarrollo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Áreas de conocimiento: Química Tipo de investigación: BásicaFacultad de Ciencias Exactas2024-11-20info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/173233spainfo: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:UNLP2025-09-03T11:18:24Zoai:sedici.unlp.edu.ar:10915/173233Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:18:24.698SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Búsqueda in silico de moléculas anti-Toxoplasma gondii
In silico search of anti-Toxoplasma gondii molecules
title Búsqueda in silico de moléculas anti-Toxoplasma gondii
spellingShingle Búsqueda in silico de moléculas anti-Toxoplasma gondii
Bellusci, Gonzalo
Química
toxoplasma gondii
cribado virtual
descubrimiento de fármacos
aprendizaje automático
toxoplasma gondii
virtual screening
drug discovery
machine learning
title_short Búsqueda in silico de moléculas anti-Toxoplasma gondii
title_full Búsqueda in silico de moléculas anti-Toxoplasma gondii
title_fullStr Búsqueda in silico de moléculas anti-Toxoplasma gondii
title_full_unstemmed Búsqueda in silico de moléculas anti-Toxoplasma gondii
title_sort Búsqueda in silico de moléculas anti-Toxoplasma gondii
dc.creator.none.fl_str_mv Bellusci, Gonzalo
author Bellusci, Gonzalo
author_facet Bellusci, Gonzalo
author_role author
dc.subject.none.fl_str_mv Química
toxoplasma gondii
cribado virtual
descubrimiento de fármacos
aprendizaje automático
toxoplasma gondii
virtual screening
drug discovery
machine learning
topic Química
toxoplasma gondii
cribado virtual
descubrimiento de fármacos
aprendizaje automático
toxoplasma gondii
virtual screening
drug discovery
machine learning
dc.description.none.fl_txt_mv Toxoplasma gondii es uno de los patógenos oportunistas más importantes en humanos y es el agente causal de la toxoplasmosis. Actualmente no existen vacunas efectivas y los fármacos aprobados presentan diversos efectos adversos. Por tales razones, existe la necesidad de contar con nuevos fármacos contra la toxoplasmosis activa y/o crónica. Nuestro objetivo es la búsqueda in silico de nuevas moléculas que posean actividad anti-T. gondii como alternativas terapéuticas a los tratamientos actuales.Se realizará una búsqueda bibliográfica de moléculas evaluadas en ensayos in vitro frente a T. gondii. Las moléculas encontradas se clasificarán en "inhibidoras" y "no inhibidoras" de acuerdo con los valores de actividad reportados. El set de datos se repartirá en un conjunto de entrenamiento, para generar modelos clasificadores, y dos conjuntos de testeo, para evaluar el desempeño de los modelos generados. Para lograr una participación representativa de los conjuntos de datos se utilizará la herramienta de clustering iRaPCA, que combina la técnica de subespacios aleatorios con el algoritmo K-means para encontrar grupos de moléculas homogéneos y bien separadas de otros grupos.Las moléculas se caracterizarán mediante descriptores moleculares independientes de la conformación y se relacionarán con la actividad anti-T. gondii mediante ecuaciones lineales. Para tal fin se recurrirá a scripts desarrollados en Python que permiten generar diferentes subconjuntos de descriptores no correlacionados y con buena significancia. Cada modelo se validará internamente mediante técnicas de validación estándar. Los conjuntos de testeo se complementarán con presuntos inactivos generados mediante la herramienta LUDe. Se espera obtener sets de validación con una proporción de moléculas inhibidoras menor al 5%. Se evaluarán, para cada modelo, diferentes métricas de enriquecimiento. Los mejores modelos serán combinados sistemáticamente mediante diferentes operadores para aumentar la robustez y capacidad predictiva de los modelos individuales. Finalmente, se analizarán curvas del valor predictivo positivo para seleccionar un valor de corte adecuado para el ensamble seleccionado.El mejor modelo se utilizará para el cribado virtual de bases de datos que compilan fármacos aprobados y en diferentes etapas de desarrollo experimental. Se seleccionarán los mejores candidatos para su evaluación experimental.Las moléculas seleccionadas se evaluarán en ensayos de replicación de los parásitos. Fibroblastos humanos infectados con tachizoitos de T. gondii se incubarán con diferentes concentraciones de los candidatos. La replicación se estudiará mediante inmunofluorescencia directa y se reportará la concentración que inhibe el 50% de la replicación con respecto al control.
Carrera: Licenciatura en Biotecnología y Biología Molecular Lugar de trabajo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Organismo: Ministerio de Capital Humano Año de inicio de beca: 2022 Año de finalización de beca: 2027 Apellido, Nombre del Director/a/e: Alberca, Lucas Lugar de desarrollo: Laboratorio de Investigación y Desarrollo de Bioactivos (LIDeB) Áreas de conocimiento: Química Tipo de investigación: Básica
Facultad de Ciencias Exactas
description Toxoplasma gondii es uno de los patógenos oportunistas más importantes en humanos y es el agente causal de la toxoplasmosis. Actualmente no existen vacunas efectivas y los fármacos aprobados presentan diversos efectos adversos. Por tales razones, existe la necesidad de contar con nuevos fármacos contra la toxoplasmosis activa y/o crónica. Nuestro objetivo es la búsqueda in silico de nuevas moléculas que posean actividad anti-T. gondii como alternativas terapéuticas a los tratamientos actuales.Se realizará una búsqueda bibliográfica de moléculas evaluadas en ensayos in vitro frente a T. gondii. Las moléculas encontradas se clasificarán en "inhibidoras" y "no inhibidoras" de acuerdo con los valores de actividad reportados. El set de datos se repartirá en un conjunto de entrenamiento, para generar modelos clasificadores, y dos conjuntos de testeo, para evaluar el desempeño de los modelos generados. Para lograr una participación representativa de los conjuntos de datos se utilizará la herramienta de clustering iRaPCA, que combina la técnica de subespacios aleatorios con el algoritmo K-means para encontrar grupos de moléculas homogéneos y bien separadas de otros grupos.Las moléculas se caracterizarán mediante descriptores moleculares independientes de la conformación y se relacionarán con la actividad anti-T. gondii mediante ecuaciones lineales. Para tal fin se recurrirá a scripts desarrollados en Python que permiten generar diferentes subconjuntos de descriptores no correlacionados y con buena significancia. Cada modelo se validará internamente mediante técnicas de validación estándar. Los conjuntos de testeo se complementarán con presuntos inactivos generados mediante la herramienta LUDe. Se espera obtener sets de validación con una proporción de moléculas inhibidoras menor al 5%. Se evaluarán, para cada modelo, diferentes métricas de enriquecimiento. Los mejores modelos serán combinados sistemáticamente mediante diferentes operadores para aumentar la robustez y capacidad predictiva de los modelos individuales. Finalmente, se analizarán curvas del valor predictivo positivo para seleccionar un valor de corte adecuado para el ensamble seleccionado.El mejor modelo se utilizará para el cribado virtual de bases de datos que compilan fármacos aprobados y en diferentes etapas de desarrollo experimental. Se seleccionarán los mejores candidatos para su evaluación experimental.Las moléculas seleccionadas se evaluarán en ensayos de replicación de los parásitos. Fibroblastos humanos infectados con tachizoitos de T. gondii se incubarán con diferentes concentraciones de los candidatos. La replicación se estudiará mediante inmunofluorescencia directa y se reportará la concentración que inhibe el 50% de la replicación con respecto al control.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-20
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/10915/173233
url http://sedici.unlp.edu.ar/handle/10915/173233
dc.language.none.fl_str_mv spa
language spa
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 application/pdf
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_ 1842260689665654784
score 13.13397