Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose

Detalhes bibliográficos
Autor(a) principal: Amaral, Laís Salvador do
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/78346
Resumo: Orientador: Prof. Dr. Roberto Pontarolo
id UFPR_6757274d912563cc9a100a983478e8f9
oai_identifier_str oai:acervodigital.ufpr.br:1884/78346
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Universidade Federal do Paraná. Setor de Ciências da Saúde. Programa de Pós-Graduação em Ciências FarmacêuticasPontarolo, Roberto, 1954-Amaral, Laís Salvador do2024-02-09T18:36:56Z2024-02-09T18:36:56Z2022https://hdl.handle.net/1884/78346Orientador: Prof. Dr. Roberto PontaroloDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Biológicas, Programa de Pós-Graduação em Ciências Farmacêuticas. Defesa : Curitiba, 24/06/2022Inclui referências: p. 101-121Resumo: A leishmaniose é, de acordo com a Organização Mundial da Saúde (OMS), a única doença tropical negligenciada ainda em expansão ao redor do mundo. Apesar disso, a maioria dos medicamentos disponíveis atualmente para o tratamento dessa doença está associada com problemas de toxicidade, custo, recidivas ou de adesão à terapia, e, portanto, o desenvolvimento de novas moléculas é mandatório. Sabe-se que os métodos convencionais de descoberta de novos fármacos são lentos e onerosos, enquanto que métodos de simulação computacional, chamados de métodos in silico, permitem prever rapidamente e com custo menor quais compostos podem ser promissores dentre milhares testados simultaneamente. Assim, com o objetivo de encontrar novas entidades químicas para o tratamento da leishmaniose, foram utilizados nesse estudo métodos in silico guiados por machine learning tendo como alvo a enzima tripanotiona redutase (TR), presente no parasito Leishmania spp. Um total de 8.846 produtos naturais (PNs) disponíveis comercialmente e testados in vivo foram obtidos na base de dados ZINC15. Após condução da triagem virtual e docking molecular, 61 desses demonstraram ter alta afinidade com a enzima TR (energia de afinidade <=-9 kcal/mol). Para validar esse resultado, foram utilizados os métodos de machine learning de ANN, XGBoost, LREG, SVM, KNN, SIMCA, PCA e PLS-DA, sendo que os dois últimos tiveram sensibilidade, especificidade e acurácia de 100%, 98% e 99%, respectivamente. Em seguida, foram conduzidas análises de drug-likeness, farmacocinética e toxicidade. Dos 61 PNs de alta afinidade com o alvo molecular, 31 tiveram bom desempenho na análise de drug-likeness e finalmente três (PN43, PN53 e PN48) se mostraram os mais promissores nas análises de farmacocinética e toxicidade. Além dos PNs, foram obtidas 1.576 moléculas já aprovadas pela Food and Drug Administration (FDA) na mesma base de dados. Destas, 30 tiveram alta afinidade de ligação com a enzima TR, sendo que os modelos de PCA e PLS-DA reproduziram esses resultados com 100% de sensibilidade, especificidade e acurácia. Dentre os 30 fármacos de alta afinidade com a TR encontrados, a ergotamina, dihidroergotamina e doxazosina são os que aparentam ter mais vantagens, considerando a necessidade de fármacos de baixo custo e mais seguros que os disponíveis atualmente para o tratamento da leishmaniose. Em suma, dentre os 10.422 compostos testados nesta pesquisa, foram encontrados seis candidatos a novas entidades químicas: PN43, PN53, PN59, RP1 (ergotamina), RP2 (dihidroergotamina) e RP21 (doxazosina), utilizando-se de métodos in silico guiados por machine learning. Devido à complexidade e dinâmica dos sistemas biológicos, fazem-se necessários posteriormente estudos in vitro e in vivo para avaliar a possibilidade de uso terapêutico dessas moléculas no tratamento da leishmaniose.Abstract: Leishmaniasis is, according to the World Health Organization (WHO), the only neglected tropical disease still expanding around the world. Despite this, most of the drugs currently available for the treatment of this disease are associated with problems of toxicity, cost, relapses or adherence to therapy, and therefore, the development of new molecules is mandatory. It is known that conventional methods for discovering new drugs are slow and expensive, while computer simulation methods, called in silico methods, allows to quickly and at a lower cost predict which compounds may be promising among thousands tested simultaneously. Thus, in order to find new chemical entities for the treatment of leishmaniasis, in silico methods guided by machine learning were used in this study targeting the enzyme trypanothione reductase (TR), present in the parasite Leishmania spp. A total of 8,846 commercially available natural products (NPs) tested in vivo were obtained from the ZINC15 database. After conducting virtual screening and molecular docking, 61 of these were shown to have high affinity for the TR enzyme (affinity energy <=-9 kcal/mol). To validate this result, the machine learning methods of ANN, XGBoost, LREG, SVM, KNN, SIMCA, PCA and PLS-DA were used, the last two having sensitivity, specificity and accuracy of 100%, 98% and 99 %, respectively. Then, drug-likeness, pharmacokinetic and toxicity analyzes were conducted. Of the 61 PNs with high affinity with the molecular target, 31 performed well in the drug-likeness analysis and finally three (PN43, PN53 and PN48) were the most promising in the pharmacokinetic and toxicity analysis. In addition to the NPs, 1,576 molecules already approved by the Food and Drug Administration (FDA) were obtained from the same database. Of these, 30 had high binding affinity with the TR enzyme, and the PCA and PLS-DA models reproduced these results with 100% sensitivity, specificity and accuracy. Among the 30 drugs with high affinity for TR found, ergotamine, dihydroergotamine and doxazosin are the ones that seem to have the most advantages, considering the need for low-cost and safer drugs than those currently available for the treatment of leishmaniasis. In short, among the 10,422 compounds tested in this research, six candidates for new chemical entities were found: PN43, PN53, PN59, RP1 (ergotamine), RP2 (dihydroergotamine) and RP21 (doxazosin), using in silico methods guided by machine learning. Due to the complexity and dynamics of biological systems, further studies in vitro and in vivo are necessary to evaluate the possibility of therapeutic use of these molecules in the treatment of leishmaniasis.1 recurso online : PDF.application/pdfPreparações farmaceuticasLeishmanioseTerapêuticaAprendizado do computadorFarmáciaUso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmanioseinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - LAIS SALVADOR DO AMARAL.pdfapplication/pdf6268729https://acervodigital.ufpr.br/bitstream/1884/78346/1/R%20-%20D%20-%20LAIS%20SALVADOR%20DO%20AMARAL.pdfdd4d4717740be1d87aa438be3b967ce6MD51open access1884/783462024-02-09 15:36:56.249open accessoai:acervodigital.ufpr.br:1884/78346Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082024-02-09T18:36:56Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
title Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
spellingShingle Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
Amaral, Laís Salvador do
Preparações farmaceuticas
Leishmaniose
Terapêutica
Aprendizado do computador
Farmácia
title_short Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
title_full Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
title_fullStr Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
title_full_unstemmed Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
title_sort Uso de ensaios in silico guiados por machine learning para a descoberta e reposicionamento de novos inibidores da tripanotiona redutase como tratamento potencial da leichmaniose
author Amaral, Laís Salvador do
author_facet Amaral, Laís Salvador do
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências da Saúde. Programa de Pós-Graduação em Ciências Farmacêuticas
dc.contributor.advisor1.fl_str_mv Pontarolo, Roberto, 1954-
dc.contributor.author.fl_str_mv Amaral, Laís Salvador do
contributor_str_mv Pontarolo, Roberto, 1954-
dc.subject.por.fl_str_mv Preparações farmaceuticas
Leishmaniose
Terapêutica
Aprendizado do computador
Farmácia
topic Preparações farmaceuticas
Leishmaniose
Terapêutica
Aprendizado do computador
Farmácia
description Orientador: Prof. Dr. Roberto Pontarolo
publishDate 2022
dc.date.issued.fl_str_mv 2022
dc.date.accessioned.fl_str_mv 2024-02-09T18:36:56Z
dc.date.available.fl_str_mv 2024-02-09T18:36:56Z
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 https://hdl.handle.net/1884/78346
url https://hdl.handle.net/1884/78346
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.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/78346/1/R%20-%20D%20-%20LAIS%20SALVADOR%20DO%20AMARAL.pdf
bitstream.checksum.fl_str_mv dd4d4717740be1d87aa438be3b967ce6
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898753231290368

Registros relacionados