Uma análise quimioinformática sobre canabinoides sintéticos em receptores canabinóides (CB1 e CB2)

• Autor(a) principal: Calil, Raisa Ludmila
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/9/9143/tde-10112023-174930/
• topic: Canabinóides sintéticos; Chemoinformatics; HCA; HCA; MARS; MARS; PCA; PCA; Quimioinformática; Random Forest; Randon Forest; Synthetic cannabinoids

Estudos científicos mostram o uso terapêutico da Cannabis sativa e de seus constituintes químicos, tais como: canabidiol, canabinol e tetrahidrocanabinol (THC), sendo este último responsável pelos efeitos psicoativos. Os receptores canabinoides CB1R e CB2R foram identificados, principalmente, no sistema nervoso central e imunológico, respectivamente. Canabinoides sintéticos são compostos que atuam nesses receptores, produzindo efeitos semelhantes à derivados canabinoides naturais. Técnicas computacionais são amplamente empregadas para avaliar seletividade molecular. Com o aumento das bibliotecas moleculares, se faz necessário explorar de forma racional as características estruturas e propriedades destes compostos. Neste estudo, utilizou-se técnicas de quimioinformática para gerar modelos que pudessem reconhecer e distinguir os perfis estruturais de canabinoides sintéticos e sua interação com os receptores canabinoides CB1R e CB2R. Para isso, foram realizadas: a construção de um banco de dados contendo informações sobre canabinoides sintéticos, cálculo de descritores moleculares, e construção de modelos utilizando técnicas como Análise Hierárquica de Agrupamentos (HCA), Análise de Componentes Principais (PCA), Árvores de decisão, Random Forest e Multivariate Adaptive Regression Splines (MARS). A seleção criteriosa dos descritores moleculares foi essencial para obter modelos estatísticos precisos. Quando se tratou de identificar as estruturas dos canabinoides sintéticos, o modelo baseado em árvore de decisão apresentou excelente desempenho na distinção da interação entre CB1R e CB2R. A redução da multicolinearidade mostrou que as abordagens de Forward Selection e Backward Elimination são eficazes na obtenção de modelos lineares simples e interpretáveis. O algoritmo Random Forest foi computacionalmente eficiente e proporcionou resultados confiáveis, enquanto o algoritmo MARS deve ser utilizado com cautela na predição de canabinoides sintéticos atuando em CB1R e CB2R. As técnicas de Análise do Componente Principal (PCA) e Análise Hierárquica de Agrupamentos (HCA) permitiram uma separação precisa dos dados e podem ser úteis em análises futuras.