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.