Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/60719 |
Resumo: | Uma das partes vitais para a manutenção da saúde e bem estar das pessoas é a pesquisa e desenvolvimento de novos medicamentos. A busca por compostos inovadores e o reposicionamento de compostos existentes possibilita o tratamento de doenças e melhoram a qualidade de vida. Contudo, o desenvolvimento de novos fármacos é um processo demorado (levando até 10 anos) e de custo elevado (custando até 3 bilhões de dólares). Nesse contexto, uma classe de fármacos que exige uma demanda urgente de novos desenvolvimentos são os antibacterianos, devido ao grande crescimento de resistência a antibióticos por parte das bactérias. Infecções por bactérias resistentes causam maiores custos médicos, internações prolongadas e aumento da mortalidade. Ferramentas computacionais compreendem abordagens que, além de acelerar e diminuir os custos do processo, mitigam o avanço de doenças, incluindo infecções causadas por bactérias resistentes. Esse auxílio computacional é empregado de modo a automatizar testes e reduzir o número de compostos necessários nos testes pré-clínicos e nas fases clínicas iniciais (fases de maiores índices de descontinuação), focando os recursos nas amostras mais promissoras. Assim, o objetivo deste trabalho é propor modelos que utilizem aprendizado profundo, para estimar atividades antibacterianas e diversos parâmetros físico-químicos de substâncias com o intuito de descobrir potenciais antibacterianos. Foram coletados dados da atividade biológica de fármacos em quatro bactérias Gram-negativas (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa e Salmonella typhimurium) e de três propriedades físico-químicas (solubilidade em água, solubilidade em DMSO e lipofilicidade). Foi utilizada a arquitetura de Rede Neural de Grafos para abordar tarefas de classificação e regressão. Os modelos passaram pelo processo de otimização dos hiperparâmetros dos modelos. Dentre outras métricas de validação avaliadas dos modelos, os resultados alcançados demonstraram uma acurácia acima de 0.70, para modelos de classificação, e um coeficiente de determinação acima de 0.80, para os modelos de regressão. Os compostos com atividade antibacteriana e propriedades físico-químicas mais promissores poderão ser avaliados experimentalmente como potenciais antibacterianos. |
id |
UFMG_34603b7c31b448f3512fb6409aef6f13 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/60719 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Frederico Gualberto Ferreira Coelhohttp://lattes.cnpq.br/5083061070631233Vinícius Gonçalves MaltarolloJoão Paulo Ataide MartinsAntônio de Pádua Bragahttp://lattes.cnpq.br/6337810028234850Rafael Lopes Almeida2023-11-09T18:03:09Z2023-11-09T18:03:09Z2023-09-29http://hdl.handle.net/1843/60719Uma das partes vitais para a manutenção da saúde e bem estar das pessoas é a pesquisa e desenvolvimento de novos medicamentos. A busca por compostos inovadores e o reposicionamento de compostos existentes possibilita o tratamento de doenças e melhoram a qualidade de vida. Contudo, o desenvolvimento de novos fármacos é um processo demorado (levando até 10 anos) e de custo elevado (custando até 3 bilhões de dólares). Nesse contexto, uma classe de fármacos que exige uma demanda urgente de novos desenvolvimentos são os antibacterianos, devido ao grande crescimento de resistência a antibióticos por parte das bactérias. Infecções por bactérias resistentes causam maiores custos médicos, internações prolongadas e aumento da mortalidade. Ferramentas computacionais compreendem abordagens que, além de acelerar e diminuir os custos do processo, mitigam o avanço de doenças, incluindo infecções causadas por bactérias resistentes. Esse auxílio computacional é empregado de modo a automatizar testes e reduzir o número de compostos necessários nos testes pré-clínicos e nas fases clínicas iniciais (fases de maiores índices de descontinuação), focando os recursos nas amostras mais promissoras. Assim, o objetivo deste trabalho é propor modelos que utilizem aprendizado profundo, para estimar atividades antibacterianas e diversos parâmetros físico-químicos de substâncias com o intuito de descobrir potenciais antibacterianos. Foram coletados dados da atividade biológica de fármacos em quatro bactérias Gram-negativas (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa e Salmonella typhimurium) e de três propriedades físico-químicas (solubilidade em água, solubilidade em DMSO e lipofilicidade). Foi utilizada a arquitetura de Rede Neural de Grafos para abordar tarefas de classificação e regressão. Os modelos passaram pelo processo de otimização dos hiperparâmetros dos modelos. Dentre outras métricas de validação avaliadas dos modelos, os resultados alcançados demonstraram uma acurácia acima de 0.70, para modelos de classificação, e um coeficiente de determinação acima de 0.80, para os modelos de regressão. Os compostos com atividade antibacteriana e propriedades físico-químicas mais promissores poderão ser avaliados experimentalmente como potenciais antibacterianos.One of the essential elements for maintaining people's health and well-being is the research and development of new drugs. Pursuing innovative compounds and repositioning existing compounds enable the treatment of diseases and improve the quality of life. However, developing new drugs is time-consuming (up to 10 years) and expensive (costing up to 3 billion dollars). In this context, a class of drugs that requires an urgent demand for new developments are antibacterials due to bacteria's significant growth of resistance to antibiotics. Resistant bacterial infections cause higher medical costs, prolonged hospital stays, and increased mortality. Computational tools include approaches that, in addition to accelerating and reducing process costs, mitigate the spread of diseases, including infections caused by resistant bacteria. This computational assistance is used to automate tests and reduce the number of compounds needed in preclinical tests and the initial clinical phases (phases with higher discontinuation rates), focusing resources on the most promising samples. Thus, this study aims to propose models that employ deep learning to predict antibacterial activities and various physicochemical parameters of substances to uncover potential antibacterial agents. Biological activity data of drugs against four Gram-negative bacteria (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa, and Salmonella typhimurium) were collected, along with three physicochemical properties (water solubility, DMSO solubility, and lipophilicity). Graph Neural Network architecture was employed to address classification and regression tasks. The models underwent a process of hyperparameter optimization. Among other validation metrics evaluated for the models, the results demonstrated an accuracy exceeding 0.70 for classification models and a coefficient of determination above 0.80 for regression models. Compounds with antibacterial activity and more promising physicochemical properties may be experimentally evaluated as potential antibacterials.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAEngenharia elétricaRedes neurais (Computação)FármacosAprendizado profundoBactériasAprendizado profundoPlanejamento de fármacosRede neural de grafosResistência bacterianaEstimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINAL1326 - Rafael Lopes Almeida.pdf1326 - Rafael Lopes Almeida.pdfapplication/pdf7212586https://repositorio.ufmg.br/bitstream/1843/60719/1/1326%20-%20Rafael%20Lopes%20Almeida.pdfe4afa8c7571ee318b519b758787a8fb4MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/60719/2/license.txtcda590c95a0b51b4d15f60c9642ca272MD521843/607192023-11-09 15:03:09.545oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-11-09T18:03:09Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
title |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
spellingShingle |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo Rafael Lopes Almeida Aprendizado profundo Planejamento de fármacos Rede neural de grafos Resistência bacteriana Engenharia elétrica Redes neurais (Computação) Fármacos Aprendizado profundo Bactérias |
title_short |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
title_full |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
title_fullStr |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
title_full_unstemmed |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
title_sort |
Estimação de atividade e propriedades físico-químicas de compostos antibacterianos utilizando aprendizado profundo |
author |
Rafael Lopes Almeida |
author_facet |
Rafael Lopes Almeida |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Frederico Gualberto Ferreira Coelho |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/5083061070631233 |
dc.contributor.advisor-co1.fl_str_mv |
Vinícius Gonçalves Maltarollo |
dc.contributor.referee1.fl_str_mv |
João Paulo Ataide Martins |
dc.contributor.referee2.fl_str_mv |
Antônio de Pádua Braga |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6337810028234850 |
dc.contributor.author.fl_str_mv |
Rafael Lopes Almeida |
contributor_str_mv |
Frederico Gualberto Ferreira Coelho Vinícius Gonçalves Maltarollo João Paulo Ataide Martins Antônio de Pádua Braga |
dc.subject.por.fl_str_mv |
Aprendizado profundo Planejamento de fármacos Rede neural de grafos Resistência bacteriana |
topic |
Aprendizado profundo Planejamento de fármacos Rede neural de grafos Resistência bacteriana Engenharia elétrica Redes neurais (Computação) Fármacos Aprendizado profundo Bactérias |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Redes neurais (Computação) Fármacos Aprendizado profundo Bactérias |
description |
Uma das partes vitais para a manutenção da saúde e bem estar das pessoas é a pesquisa e desenvolvimento de novos medicamentos. A busca por compostos inovadores e o reposicionamento de compostos existentes possibilita o tratamento de doenças e melhoram a qualidade de vida. Contudo, o desenvolvimento de novos fármacos é um processo demorado (levando até 10 anos) e de custo elevado (custando até 3 bilhões de dólares). Nesse contexto, uma classe de fármacos que exige uma demanda urgente de novos desenvolvimentos são os antibacterianos, devido ao grande crescimento de resistência a antibióticos por parte das bactérias. Infecções por bactérias resistentes causam maiores custos médicos, internações prolongadas e aumento da mortalidade. Ferramentas computacionais compreendem abordagens que, além de acelerar e diminuir os custos do processo, mitigam o avanço de doenças, incluindo infecções causadas por bactérias resistentes. Esse auxílio computacional é empregado de modo a automatizar testes e reduzir o número de compostos necessários nos testes pré-clínicos e nas fases clínicas iniciais (fases de maiores índices de descontinuação), focando os recursos nas amostras mais promissoras. Assim, o objetivo deste trabalho é propor modelos que utilizem aprendizado profundo, para estimar atividades antibacterianas e diversos parâmetros físico-químicos de substâncias com o intuito de descobrir potenciais antibacterianos. Foram coletados dados da atividade biológica de fármacos em quatro bactérias Gram-negativas (Escherichia coli, Acinetobacter baumannii, Pseudomonas aeruginosa e Salmonella typhimurium) e de três propriedades físico-químicas (solubilidade em água, solubilidade em DMSO e lipofilicidade). Foi utilizada a arquitetura de Rede Neural de Grafos para abordar tarefas de classificação e regressão. Os modelos passaram pelo processo de otimização dos hiperparâmetros dos modelos. Dentre outras métricas de validação avaliadas dos modelos, os resultados alcançados demonstraram uma acurácia acima de 0.70, para modelos de classificação, e um coeficiente de determinação acima de 0.80, para os modelos de regressão. Os compostos com atividade antibacteriana e propriedades físico-químicas mais promissores poderão ser avaliados experimentalmente como potenciais antibacterianos. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-11-09T18:03:09Z |
dc.date.available.fl_str_mv |
2023-11-09T18:03:09Z |
dc.date.issued.fl_str_mv |
2023-09-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/60719 |
url |
http://hdl.handle.net/1843/60719 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/60719/1/1326%20-%20Rafael%20Lopes%20Almeida.pdf https://repositorio.ufmg.br/bitstream/1843/60719/2/license.txt |
bitstream.checksum.fl_str_mv |
e4afa8c7571ee318b519b758787a8fb4 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589523458752512 |