Busca avançada
Ano de início
Entree

Desenvolvimento de modelos de aprendizado de máquina para a descoberta de novos compostos antivirais contra o vírus da febre amarela

Processo: 19/25407-2
Linha de fomento:Bolsas no Exterior - Estágio de Pesquisa - Mestrado
Vigência (Início): 02 de março de 2020
Vigência (Término): 11 de maio de 2020
Área do conhecimento:Ciências Biológicas - Farmacologia - Farmacologia Bioquímica e Molecular
Pesquisador responsável:Glaucius Oliva
Beneficiário:Victor Gawriljuk Ferraro Oliveira
Supervisor no Exterior: Sean Ekins
Instituição-sede: Instituto de Física de São Carlos (IFSC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Local de pesquisa : Collaborations Pharmaceuticals, Inc., Estados Unidos  
Vinculado à bolsa:18/25773-6 - Descoberta de candidatos antivirais baseados na estrutura da enzima NS5 RNA polimerase RNA-dependente do vírus da febre amarela, BP.MS
Assunto(s):Aprendizado computacional   Febre amarela

Resumo

O vírus da febre amarela (VFB) é uma doença hemorrágica viral aguda transmitida por mosquitos infectados. O VFB é endêmico em áreas tropicais da África e América Central e do Sul. Grandes epidemias de febre amarela ocorrem quando pessoas infectadas introduzem o vírus em áreas densamente povoadas, com alta densidade de mosquitos e onde a maioria das pessoas tem pouca ou nenhuma imunidade, devido à falta de vacinação. Nos últimos dois anos, houve um ressurgimento de surtos de febre amarela (FA) perto de grandes centros urbanos. No Brasil, foi realizada uma campanha de vacinação em massa para proteger a população e controlar a presença viral nessas regiões, uma vez que o único método profilático disponível é a vacina de vírus atenuado 17D. A falta de tratamento para FA, bem como para infecções homólogas, p. zika e dengue, destaca a importância desses flavivírus como um problema de saúde pública. O aumento nos custos de aprovação de medicamentos, seguido de uma diminuição na produtividade de P&D, levantou questões sobre como a indústria e a academia poderiam melhorar sua eficiência. Com o avanço na disponibilidade de hardware e dados, novas ferramentas baseadas em métodos de aprendizado de máquina foram desenvolvidas para predizer candidatos a fármacos. Métodos de aprendizado de máquina foram introduzidos no processo de descoberta de fármacos a fim de reduzir custos e aumentar a precisão no seu desenvolvimento. O uso de modelos preditivos de aprendizado de máquina usando dados de campanhas HTS previamente realizadas ou bancos de dados públicos, pode aumentar a taxa de sucesso e economizar recursos durante a descoberta de "hits", escolhendo compostos com boa atividade e perfis farmacocinéticos. Este projeto tem como objetivo desenvolver modelos preditivos de aprendizado de máquina usando conjuntos de dados públicos de ensaios celulares de febre amarela. O modelo será usado para a triagem de bibliotecas químicas, a fim de selecionar compostos com boa atividade e perfis ADME contra o VFB. Esses compostos serão então testados por nossos colaboradores ou em nossos próprios laboratórios. (AU)