Busca avançada
Ano de início
Entree

Identificação de ligantes seletivos do receptor CB2 para o tratamento de osteoartrite utilizando técnicas de Machine Learning e outras abordagens computacionais

Processo: 24/14720-0
Modalidade de apoio:Bolsas no Brasil - Iniciação Científica
Data de Início da vigência: 01 de dezembro de 2024
Data de Término da vigência: 30 de novembro de 2025
Área de conhecimento:Ciências Exatas e da Terra - Física - Física Atômica e Molecular
Pesquisador responsável:Kathia Maria Honorio
Beneficiário:Francisco Rangel Alves
Instituição Sede: Escola de Artes, Ciências e Humanidades (EACH). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Assunto(s):Aprendizado computacional   Osteoartrite   Biofísica
Palavra(s)-Chave do Pesquisador:machine learning | Osteoartrite | receptor canabinóide | SHapley Additive exPlanations | Triagem Virtual | Biofísica Molecular

Resumo

A osteoartrite (OA) é uma doença inflamatória que afeta as articulações, causando dor e prejudicando a movimentação. Vale ressaltar que uma das sequelas dessa moléstia, a dor crônica, é de difícil tratamento, de forma que os fármacos empregados não corroboram significativamente com a melhora do paciente e apresentam efeitos adversos significativos. Tendo em vista que a incidência dessa condição tem aumentado em função do estilo de vida contemporâneo, a pesquisa direcionada à busca por novas terapias eficientes para esta enfermidade é indispensável. Assim, o presente estudo tem como principal objetivo identificar compostos capazes de interagir de forma seletiva com o receptor canabinóide 2 (CB2), direcionados para a terapia de osteoartrite, doença inflamatória que aflige as articulações, utilizando técnicas computacionais modernas. Durante o desenvolvimento do projeto, será realizada uma busca intensiva em diversos bancos de dados para coletar moléculas com atividade conhecida frente o receptor CB2, seguida de uma extensa curadoria dos dados coletados no intuito de selecionar apenas os compostos viáveis para o andamento da pesquisa. A seguir, serão utilizadas abordagens in silico para gerar descritores do conjunto de compostos selecionados, que servirão de base para obter um modelo de regressão capaz de prever a seletividade de novas moléculas frente ao receptor em questão, por meio de técnicas de Machine Learning. O resultado esperado é um modelo capaz de filtrar moléculas ativas em outros bancos de dados, como ZINC, que podem servir como referência para projeção de novos fármacos mais eficazes no tratamento da osteoartrite.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)