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

• Processo: 19/25407-2
• Modalidade de apoio: 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: 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): Febre amarela Vírus da febre amarela Aprendizado computacional Desenvolvimento de fármacos Modelos preditivos
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Descobrimento de fármacos | Febre amarela | modelos preditivos | ns5 rdrp | Desenvolvimento de fármacos com auxílio de computador

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)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

BATRA, KUSHAL; ZORN, KIMBERLEY M.; FOIL, DANIEL H.; MINERALI, ENI; GAWRILJUK, VICTOR O.; LANE, THOMAS R.; EKINS, SEAN. Quantum Machine Learning Algorithms for Drug Discovery Applications. JOURNAL OF CHEMICAL INFORMATION AND MODELING, v. 61, n. 6, p. 2641-2647, JUN 28 2021. (19/25407-2)

GAWRILJUK, VICTOR O.; FOIL, DANIEL H.; PUHL, ANA C.; ZORN, KIMBERLEY M.; LANE, THOMAS R.; RIABOVA, OLGA; MAKAROV, VADIM; GODOY, ANDRE S.; OLIVA, GLAUCIUS; EKINS, SEAN. Development of Machine Learning Models and the Discovery of a New Antiviral Compound against Yellow Fever Virus. JOURNAL OF CHEMICAL INFORMATION AND MODELING, v. 61, n. 8, p. 3804-3813, AUG 23 2021. (13/07600-3, 19/25407-2)

GAWRILJUK, VICTOR O.; ZIN, PHYO PHYO KYAW; PUHL, ANA C.; ZORN, KIMBERLEY M.; FOIL, DANIEL H.; LANE, THOMAS R.; HURST, BRETT; TAVELLA, TATYANA ALMEIDA; MARANHAO COSTA, FABIO TRINDADE; LAKSHMANANE, PREMKUMAR; et al. Machine Learning Models Identify Inhibitors of SARS-CoV-2. JOURNAL OF CHEMICAL INFORMATION AND MODELING, v. 61, n. 9, p. 4224-4235, SEP 27 2021. (20/05369-6, 19/27626-3, 19/25407-2)