Albert Katchborian Neto

Bacharel em Farmácia (2018) pela Universidade Federal de Alfenas (UNIFAL/MG), mestre em Química Orgânica (2020) e doutor em Química Orgânica (2024) pela mesma instituição, com foco na subárea da Química de Produtos Naturais e Metabolômica. Durante a graduação (2012-2014), integrou a Liga Acadêmica de Farmacoterapêutica (LAFarT - UNIFAL) e realizou intercâmbio sanduíche na University of Adelaide, Austrália, no Instituto de Health Sciences (2015). Como estágio de graduação (2018) desenvolveu pesquisas no Laboratório de Fitoquímica e Química Medicinal e Metabolômica (LFQMM - UNIFAL), adquirindo experiência em técnicas avançadas de separação e caracterização como Cromatografia Líquida de Alta Eficiência (CLAE), Ressonância Magnética Nuclear (RMN) e Espectrometria de Massas (EM). Durante o mestrado, realizou intercâmbio acadêmico no Abel Salazar Biomedical Sciences Institute da University of Porto, Portugal, com foco na Química de Produtos Naturais marinhos. Posteriormente, realizou doutorado sanduíche no instituto de Biomedical Sciences da University of Strathclyde, Escócia - Reino Unido (2024). Atualmente, realiza pós-doutorado na Universidade Federal do ABC (UFABC), no centro de Ciências Naturais e Humanidades. Além disso, também membro ativo da Liga Acadêmica de Produtos Naturais e Psicodélicos (LAPNP - UNIFAL/MG), além de pesquisador colaborador no Laboratório de Neuroimagem e Psicofisiologia da UFRJ-RJ. Dedica-se ao estudo da bioprospecção de produtos naturais, com foco atual em compostos de atividade psicodélica e anti-inflamatória. Sua linha de pesquisa integra estratégias metabolômicas avançadas para a busca de biomarcadores em matrizes naturais complexas, com o objetivo de desenvolver aplicações terapêuticas inovadoras. Sua atuação abrange desde a caracterização química de extratos até o estudo de amostras biológicas, buscando compreender e prever alterações metabólicas associadas a diferentes estados biológicos. Possui sólida experiência no uso de ferramentas computacionais metabolômicas e quimiométricas, integrando aprendizado de máquina com dados de EM de alta resolução e RMN. Essas abordagens viabilizam a descoberta de novas substâncias bioativas, a caracterização de matrizes naturais com potencial terapêutico, e o desenvolvimento de modelos de predição para respostas metabólicas. (Fonte: Currículo Lattes)