In silico discovery of hemolytic peptides through a novel approach based on network science and similarity searching methods / Kevin Alexis Castillo Mendieta ; tutor Mariela Alexandra Pérez Cárdenas
Tipo de material:
TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2023Descripción: 67 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Biólogo). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2023 Resumen: Los péptidos son fuentes prometedoras para el desarrollo de fármacos gracias a su alta selectividad, tolerancia y bajo costo de producción. Sin embargo, a pesar de que se han reportado miles de péptidos con potencial terapéutico, hasta el 2018 solo alrededor de sesenta han podido ser aprobados en EE.UU, Europa y Japón. Efectos tóxicos como la hemólisis son las causas principales por las que se ha ralentizado el desarrollo de estos fármacos. Por lo tanto, nuestro objetivo es lograr un mejor entendimiento del espacio químico de los péptidos hemolíticos usando un nuevo enfoque basado en ciencia de redes complejas, minería visual de datos y búsqueda de similitud multi-referencia (MQSS), como una alternativa para diseñar fármacos más efectivos y con baja actividad hemolítica. Redes de metadatos (METNs) se usaron para caracterizar y encontrar patrones generales asociados con péptidos hemolíticos, mientras que redes de espacio proximal (HSPNs), creadas usando cinco diferentes medidas de disimilitud, se usaron para representar el espacio químico de los péptidos hemolíticos. Luego, las mejores HSPNs se usaron para extraer varios subconjuntos de péptidos, llamados scaffolds, los cuales capturan información del casi todo el espacio químico, pero evitan la sobrerrepresentación de péptidos. Estos scaffolds fueron utilizados para desarrollar modelos MQSS para predecir la toxicidad hemolítica a partir de secuencias peptídicas. Nuestro mejor modelo superó a modelos de última generación basados en aprendizaje automatizado (ML), alcanzando un MCC igual a 0.99. Este modelo fue usado para caracterizar la prevalencia de toxicidad hemolítica en péptidos con actividad terapéutica. Se encontró que el número de péptidos hemolíticos reportados podría ser 3.9 veces menor que el número real de péptidos hemolíticos. Finalmente, usando un método libre de alineamiento, se reportó 47 motivos hemolíticos, los cuales podrían dar pistas para elucidar los mecanismos de hemólisis y además pueden ser utilizados como una alerta toxicológica al desarrollar nuevos fármacos basados en péptidos.
| Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
|---|---|---|---|---|---|---|---|---|
Tesis
|
Biblioteca Yachay Tech | ECBI0166 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000597 |
Trabajo de integración curricular (Biólogo). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2023
Incluye referencias bibliográficas (páginas 46-55)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
Los péptidos son fuentes prometedoras para el desarrollo de fármacos gracias a su alta selectividad, tolerancia y bajo costo de producción. Sin embargo, a pesar de que se han reportado miles de péptidos con potencial terapéutico, hasta el 2018 solo alrededor de sesenta han podido ser aprobados en EE.UU, Europa y Japón. Efectos tóxicos como la hemólisis son las causas principales por las que se ha ralentizado el desarrollo de estos fármacos. Por lo tanto, nuestro objetivo es lograr un mejor entendimiento del espacio químico de los péptidos hemolíticos usando un nuevo enfoque basado en ciencia de redes complejas, minería visual de datos y búsqueda de similitud multi-referencia (MQSS), como una alternativa para diseñar fármacos más efectivos y con baja actividad hemolítica. Redes de metadatos (METNs) se usaron para caracterizar y encontrar patrones generales asociados con péptidos hemolíticos, mientras que redes de espacio proximal (HSPNs), creadas usando cinco diferentes medidas de disimilitud, se usaron para representar el espacio químico de los péptidos hemolíticos. Luego, las mejores HSPNs se usaron para extraer varios subconjuntos de péptidos, llamados scaffolds, los cuales capturan información del casi todo el espacio químico, pero evitan la sobrerrepresentación de péptidos. Estos scaffolds fueron utilizados para desarrollar modelos MQSS para predecir la toxicidad hemolítica a partir de secuencias peptídicas. Nuestro mejor modelo superó a modelos de última generación basados en aprendizaje automatizado (ML), alcanzando un MCC igual a 0.99. Este modelo fue usado para caracterizar la prevalencia de toxicidad hemolítica en péptidos con actividad terapéutica. Se encontró que el número de péptidos hemolíticos reportados podría ser 3.9 veces menor que el número real de péptidos hemolíticos. Finalmente, usando un método libre de alineamiento, se reportó 47 motivos hemolíticos, los cuales podrían dar pistas para elucidar los mecanismos de hemólisis y además pueden ser utilizados como una alerta toxicológica al desarrollar nuevos fármacos basados en péptidos.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.