Modelagem QSAR (Relação Quantitativa Estrutura-Atividade), busca por similaridade e triagem virtual para a identificação de inibidores de Acetilcolinesterase (AChE) para a doença de Alzheimer (2023)
- Authors:
- USP affiliated author: PEDROSA, LEANDRO - ICMC
- School: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; DOENÇA DE ALZHEIMER; INTELIGÊNCIA ARTIFICIAL
- Keywords: Relação quantitativa estrutura-atividade; Classificação binária; Triagem virtual
- Language: Português
- Abstract: A doença de Alzheimer representa um desafio considerável tanto no campo da Inteligência Artificial (IA) quanto na pesquisa em ciências da saúde. Nesse cenário desafiador, esta pesquisa foi direcionada ao desenvolvimento de abordagens terapêuticas inovadoras para combater essa doença neurodegenerativa. Entre essas abordagens, destaca-se a aplicação da Inteligência Artificial, em particular a modelagem QSAR (Relação Quantitativa Estrutura Atividade), combinada com técnicas de aprendizado de máquina (machine learning) e aprendizado profundo (deep learning). A enzima acetilcolinesterase (AChE) desempenha um papel crucial na degradação da acetilcolina no cérebro, afetando diretamente a função cognitiva. Inibir a AChE pode levar à acumulação de acetilcolina, o que, por sua vez, pode melhorar a transmissão neural e aliviar os sintomas da doença de Alzheimer. Neste estudo, vários modelos QSAR foram desenvolvidos utilizando técnicas de IA, como SVM (Máquina de Vetores Suporte), Random Forest, Multilayer Perceptron e TensorFlow Keras. Além disso, foram usados descritores moleculares para capturar as características específicas dos compostos químicos, como Fingerprints de Morgan, SiRMS (Simplex Representation of Molecular Structure) e RDKit. Esses modelos foram treinados e avaliados por meio de validação cruzada estratificada, utilizando métricas estatísticas para determinar a sua eficácia. Os modelos mais promissores, com base em seus hiperparâmetros e desempenho na validação cruzada, foram selecionados para uma etapa adicional de triagem virtual. Essa etapa envolveu a busca por compostos quimicamente semelhantes aos candidatos iniciais, a fim de identificar novos inibidores da enzima AChE. Essa abordagem de modelagem e triagem virtual, que combina resultados de modelos e busca por similaridade, tem o potencial de contribuir significativamente para a descoberta de novos compostos promissores no tratamento e prevenção dadoença de Alzheimer. A integração de técnicas de IA, modelagem molecular e triagem virtual oferece uma estratégia inovadora para abordar os desafios associados à doença de Alzheimer, e os resultados deste estudo têm o potencial de impactar positivamente o desenvolvimento de terapias para essa condição debilitante.
- Imprenta:
- Place of publication: São Carlos
- Date published: 2023
-
ABNT
PEDROSA, Leandro. Modelagem QSAR (Relação Quantitativa Estrutura-Atividade), busca por similaridade e triagem virtual para a identificação de inibidores de Acetilcolinesterase (AChE) para a doença de Alzheimer. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/a9d4d9ea-7691-4462-ac64-ce6bcbaf2d36/Leandro%20Pedrosa.pdf. Acesso em: 29 abr. 2024. -
APA
Pedrosa, L. (2023). Modelagem QSAR (Relação Quantitativa Estrutura-Atividade), busca por similaridade e triagem virtual para a identificação de inibidores de Acetilcolinesterase (AChE) para a doença de Alzheimer (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/a9d4d9ea-7691-4462-ac64-ce6bcbaf2d36/Leandro%20Pedrosa.pdf -
NLM
Pedrosa L. Modelagem QSAR (Relação Quantitativa Estrutura-Atividade), busca por similaridade e triagem virtual para a identificação de inibidores de Acetilcolinesterase (AChE) para a doença de Alzheimer [Internet]. 2023 ;[citado 2024 abr. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/a9d4d9ea-7691-4462-ac64-ce6bcbaf2d36/Leandro%20Pedrosa.pdf -
Vancouver
Pedrosa L. Modelagem QSAR (Relação Quantitativa Estrutura-Atividade), busca por similaridade e triagem virtual para a identificação de inibidores de Acetilcolinesterase (AChE) para a doença de Alzheimer [Internet]. 2023 ;[citado 2024 abr. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/a9d4d9ea-7691-4462-ac64-ce6bcbaf2d36/Leandro%20Pedrosa.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Leandro Pedrosa.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
