Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Marcos Antonio Ferreira Junior
Orientador(a): Elizabeth Igne Ferreira
Banca de defesa: Alessandro Silva Nascimento, Bruno Junior Neves, Marcus Tullius Scotti
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade de São Paulo
Programa de Pós-Graduação: Fármaco e Medicamentos
Departamento: Não Informado pela instituição
País: BR
Link de acesso: https://doi.org/10.11606/D.9.2021.tde-05082021-002930
Resumo: A doença de Chagas é uma enfermidade crônica causada pelo parasita Trypanosoma cruzi (T. cruzi), que afeta aproximadamente oito milhões de pessoas mundialmente e carece de tratamentos seguros e eficazes. Neste trabalho, modelos computacionais baseados nas estratégias LBDD (ligand-based drug design) e SBDD (structure-based drug design) foram desenvolvidos para auxiliar no reposicionamento de fármacos e candidatos a fármaco para o tratamento da doença de Chagas. O reposicionamento, i.e.: a identificação de novos usos terapêuticos para moléculas conhecidas, é uma abordagem promissora para reduzir os investimentos, os riscos de falha e o tempo necessário para desenvolver um novo medicamento. Na estratégia LBDD, os algoritmos de aprendizado de máquina floresta aleatória, Naive Bayes, máquinas de vetores de suporte e redes neurais probabilísticas foram explorados para o desenvolvimento de modelos baseados em dados fenotípicos de inibição do T. cruzi. O NB - FeatMorgan, modelo de melhor performance, exibiu uma alta capacidade preditiva nas validações iniciais (validação cruzada quíntupla e validação externa), que foi confirmada com a segunda validação externa utilizando uma nova série teste (AUC ROC = 0,85, EF1 = 14,3 e TCB = 80%). Dos 269 fármacos selecionados na triagem virtual com o NB - FeatMorgan, 19 (7,1%) já possuíam atividade tripanocida reportada na literatura (IC50 < 5 &#181;M e SI > 10). Ainda, 17 fármacos foram obtidos e testados experimentalmente na inibição do T. cruzi. Notavelmente, a desloratadina e a flibanserina exibiram eficácia promissora na inibição do parasita (Amax = 91% e 92%, respectivamente). Na estratégia SBDD, desenvolveu-se um fluxo de triagem virtual para a seleção de inibidores da diidroorotato desidrogenase do T. cruzi (TcDHODH). Estudos de reancoragem e triagem virtual retrospectiva evidenciaram que a função de pontuação ASP apresentou alta performance na predição do modo de ligação de compostos na enzima e na filtragem inicial de moléculas completamente inativas. Entretanto, a sua capacidade preditiva foi baixa/intermediária na identificação de moléculas potentes na inibição da TcDHODH. Deste modo, um modelo de aprendizado de máquinas baseado no algoritmo Naive Bayes foi desenvolvido utilizando derivados do orotato testados na enzima com o objetivo de refinar os resultados da triagem virtual provenientes da função ASP. O modelo empregou a entalpia de interação entre o ligante e o alvo, calculada pelo método semi-empírico PM7, como descritor, assim como a lipofilicidade do ligante e a variação de energia associada às perdas entrópicas resultantes das restrições conformacionais do ligante ao se complexar com a proteína. O NB - TcDHODH - 8, modelo de melhor performance, apresentou alta capacidade preditiva na validação cruzada quíntupla, a qual foi confirmada na validação externa com a série teste (AUC ROC = 0,79 e AUC BEDROC = 0,85). Os modelos desenvolvidos nas estratégias LBDD e SBDD deste trabalho poderão auxiliar no desenvolvimento novas terapias seguras e eficazes para o tratamento da doença de Chagas. Os compostos selecionados poderão ser explorados na terapêutica da doença ou como pontos de partida para novos projetos de P&D de fármacos anti-T. cruzi. Os modelos computacionais poderão, ainda, ser utilizados em novas triagens virtuais a partir de bibliotecas de interesse.
id USP_7a0167144e1191dd60827293a04489fe
oai_identifier_str oai:teses.usp.br:tde-05082021-002930
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog Drug repurposing for the treatment of Chagas disease: development of computational models based on compounds phenotypically active against Trypanosoma cruzi and on the inhibition of the parasite dihydroorotate dehydrogenase 2021-02-08Elizabeth Igne FerreiraCarlos Maurício Rabello de Sant'AnnaAlessandro Silva NascimentoBruno Junior NevesMarcus Tullius ScottiMarcos Antonio Ferreira JuniorUniversidade de São PauloFármaco e MedicamentosUSPBR Ancoragem molecular Aprendizado de máquina Chagas disease Diidroorotato desidrogenase Doença de Chagas Drug repurposing Entalpia de interação Machine learning, Dihydroorotate dehydrogenase Método semi-empírico Molecular docking Reposicionamento de fármacos Semi-empirical method, Interaction enthalpy Trypanosoma cruzi Trypanosoma cruzi A doença de Chagas é uma enfermidade crônica causada pelo parasita Trypanosoma cruzi (T. cruzi), que afeta aproximadamente oito milhões de pessoas mundialmente e carece de tratamentos seguros e eficazes. Neste trabalho, modelos computacionais baseados nas estratégias LBDD (ligand-based drug design) e SBDD (structure-based drug design) foram desenvolvidos para auxiliar no reposicionamento de fármacos e candidatos a fármaco para o tratamento da doença de Chagas. O reposicionamento, i.e.: a identificação de novos usos terapêuticos para moléculas conhecidas, é uma abordagem promissora para reduzir os investimentos, os riscos de falha e o tempo necessário para desenvolver um novo medicamento. Na estratégia LBDD, os algoritmos de aprendizado de máquina floresta aleatória, Naive Bayes, máquinas de vetores de suporte e redes neurais probabilísticas foram explorados para o desenvolvimento de modelos baseados em dados fenotípicos de inibição do T. cruzi. O NB - FeatMorgan, modelo de melhor performance, exibiu uma alta capacidade preditiva nas validações iniciais (validação cruzada quíntupla e validação externa), que foi confirmada com a segunda validação externa utilizando uma nova série teste (AUC ROC = 0,85, EF1 = 14,3 e TCB = 80%). Dos 269 fármacos selecionados na triagem virtual com o NB - FeatMorgan, 19 (7,1%) já possuíam atividade tripanocida reportada na literatura (IC50 < 5 &#181;M e SI > 10). Ainda, 17 fármacos foram obtidos e testados experimentalmente na inibição do T. cruzi. Notavelmente, a desloratadina e a flibanserina exibiram eficácia promissora na inibição do parasita (Amax = 91% e 92%, respectivamente). Na estratégia SBDD, desenvolveu-se um fluxo de triagem virtual para a seleção de inibidores da diidroorotato desidrogenase do T. cruzi (TcDHODH). Estudos de reancoragem e triagem virtual retrospectiva evidenciaram que a função de pontuação ASP apresentou alta performance na predição do modo de ligação de compostos na enzima e na filtragem inicial de moléculas completamente inativas. Entretanto, a sua capacidade preditiva foi baixa/intermediária na identificação de moléculas potentes na inibição da TcDHODH. Deste modo, um modelo de aprendizado de máquinas baseado no algoritmo Naive Bayes foi desenvolvido utilizando derivados do orotato testados na enzima com o objetivo de refinar os resultados da triagem virtual provenientes da função ASP. O modelo empregou a entalpia de interação entre o ligante e o alvo, calculada pelo método semi-empírico PM7, como descritor, assim como a lipofilicidade do ligante e a variação de energia associada às perdas entrópicas resultantes das restrições conformacionais do ligante ao se complexar com a proteína. O NB - TcDHODH - 8, modelo de melhor performance, apresentou alta capacidade preditiva na validação cruzada quíntupla, a qual foi confirmada na validação externa com a série teste (AUC ROC = 0,79 e AUC BEDROC = 0,85). Os modelos desenvolvidos nas estratégias LBDD e SBDD deste trabalho poderão auxiliar no desenvolvimento novas terapias seguras e eficazes para o tratamento da doença de Chagas. Os compostos selecionados poderão ser explorados na terapêutica da doença ou como pontos de partida para novos projetos de P&D de fármacos anti-T. cruzi. Os modelos computacionais poderão, ainda, ser utilizados em novas triagens virtuais a partir de bibliotecas de interesse. Chagas disease is a chronic condition caused by the parasite Trypanosoma cruzi (T. cruzi), which affects ca. 8 million people around the world and lacks safe and efficacious treatments. In this work, computational models based on the LBDD (ligandbased drug discovery) and on the SBDD (structure-based drug discovery) strategies were developed with the aim of being employed in the repurposing of drugs and drug candidates for the treatment of Chagas disease. Drug repurposing, i.e.: the identification of novel therapeutic uses for known compounds, is a promising approach to reduce drug R&D costs, the high attrition ratios and to expedite the development timelines of novel therapies. In the LBDD approach, the machine learning algorithms random forest, Naive Bayes, support vector machine and probabilistic neural networks were used to develop computational models based on phenotypic data of in vitro T. cruzi inhibition. The NB - FeatMorgan model, which displayed the best performance, showed a high predictive power in the initial validations (5-fold cross-validation and external validation), which was confirmed at a second external validation with another chemical series (AUC ROC = 0,85 and EF1 = 14,3). Interestingly, 19 out of 269 drugs selected as potentially active during the virtual screening campaign with this model (7.1%) had already been described as active against the parasite in the literature (IC50 < 5 &#181;M and SI > 10). 17 drugs have been experimentally tested for the T. cruzi inhibition. Notably, desloratadine and flibanserin exhibited a high efficacy against the parasite (Amax = 91% e 92%, respectively). In the SBDD approach, a workflow for identifying T. cruzi dihydroorotate dehydrogenase (TcDHODH) inhibitors was developed. Redocking and retrospective virtual screening studies evidenced that the ASP scoring function exhibited a high performance for predicting the binding mode of compounds in the TcDHODH and for eliminating completely inactive molecules. Notwithstanding, the ASP function displayed a low/intermediate capacity to identify compounds with a high affinity at TcDHODH. In this sense, a machine learning model was developed, based on orotic acid derivates tested against the enzyme, with the objective of being employed to reclassify the results from an initial virtual screening using the ASP function. The descriptors explored in this work were the ligand-protein interaction enthalpy, the ligand lipophilicity and the energy variation associated with entropic loss due to the ligand complexation with the target protein. The best reclassification model, NB - TcDHODH - 8, exhibited a high performance in the initial 5-fold cross validation, which was confirmed in the external validation using the test set (AUC ROC = 0,79 and AUC BEDROC = 0,85). The SBDD and LBDD models developed in this work can contribute to the development of novel safe and efficacious therapies for the treatment of Chagas disease. The compounds selected in the virtual screening campaigns could be used for the treatment of Chagas disease or as starting points for novel anti-T. cruzi drug R&D initiatives. The validated models could also be used for novel virtual screening campaigns. https://doi.org/10.11606/D.9.2021.tde-05082021-002930info:eu-repo/semantics/openAccessporreponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USP2023-12-21T18:16:29Zoai:teses.usp.br:tde-05082021-002930Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-08-11T15:21:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.pt.fl_str_mv Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
dc.title.alternative.en.fl_str_mv Drug repurposing for the treatment of Chagas disease: development of computational models based on compounds phenotypically active against Trypanosoma cruzi and on the inhibition of the parasite dihydroorotate dehydrogenase
title Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
spellingShingle Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
Marcos Antonio Ferreira Junior
title_short Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
title_full Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
title_fullStr Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
title_full_unstemmed Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
title_sort Reposicionamento de fármacos para o tratamento da doença de Chagas: desenvolvimento de modelos computacionais baseados em ligantes ativos fenotipicamente contra o Trypanosoma cruzi e na inibição da diidroorotato desidrog
author Marcos Antonio Ferreira Junior
author_facet Marcos Antonio Ferreira Junior
author_role author
dc.contributor.advisor1.fl_str_mv Elizabeth Igne Ferreira
dc.contributor.advisor-co1.fl_str_mv Carlos Maurício Rabello de Sant'Anna
dc.contributor.referee1.fl_str_mv Alessandro Silva Nascimento
dc.contributor.referee2.fl_str_mv Bruno Junior Neves
dc.contributor.referee3.fl_str_mv Marcus Tullius Scotti
dc.contributor.author.fl_str_mv Marcos Antonio Ferreira Junior
contributor_str_mv Elizabeth Igne Ferreira
Carlos Maurício Rabello de Sant'Anna
Alessandro Silva Nascimento
Bruno Junior Neves
Marcus Tullius Scotti
description A doença de Chagas é uma enfermidade crônica causada pelo parasita Trypanosoma cruzi (T. cruzi), que afeta aproximadamente oito milhões de pessoas mundialmente e carece de tratamentos seguros e eficazes. Neste trabalho, modelos computacionais baseados nas estratégias LBDD (ligand-based drug design) e SBDD (structure-based drug design) foram desenvolvidos para auxiliar no reposicionamento de fármacos e candidatos a fármaco para o tratamento da doença de Chagas. O reposicionamento, i.e.: a identificação de novos usos terapêuticos para moléculas conhecidas, é uma abordagem promissora para reduzir os investimentos, os riscos de falha e o tempo necessário para desenvolver um novo medicamento. Na estratégia LBDD, os algoritmos de aprendizado de máquina floresta aleatória, Naive Bayes, máquinas de vetores de suporte e redes neurais probabilísticas foram explorados para o desenvolvimento de modelos baseados em dados fenotípicos de inibição do T. cruzi. O NB - FeatMorgan, modelo de melhor performance, exibiu uma alta capacidade preditiva nas validações iniciais (validação cruzada quíntupla e validação externa), que foi confirmada com a segunda validação externa utilizando uma nova série teste (AUC ROC = 0,85, EF1 = 14,3 e TCB = 80%). Dos 269 fármacos selecionados na triagem virtual com o NB - FeatMorgan, 19 (7,1%) já possuíam atividade tripanocida reportada na literatura (IC50 < 5 &#181;M e SI > 10). Ainda, 17 fármacos foram obtidos e testados experimentalmente na inibição do T. cruzi. Notavelmente, a desloratadina e a flibanserina exibiram eficácia promissora na inibição do parasita (Amax = 91% e 92%, respectivamente). Na estratégia SBDD, desenvolveu-se um fluxo de triagem virtual para a seleção de inibidores da diidroorotato desidrogenase do T. cruzi (TcDHODH). Estudos de reancoragem e triagem virtual retrospectiva evidenciaram que a função de pontuação ASP apresentou alta performance na predição do modo de ligação de compostos na enzima e na filtragem inicial de moléculas completamente inativas. Entretanto, a sua capacidade preditiva foi baixa/intermediária na identificação de moléculas potentes na inibição da TcDHODH. Deste modo, um modelo de aprendizado de máquinas baseado no algoritmo Naive Bayes foi desenvolvido utilizando derivados do orotato testados na enzima com o objetivo de refinar os resultados da triagem virtual provenientes da função ASP. O modelo empregou a entalpia de interação entre o ligante e o alvo, calculada pelo método semi-empírico PM7, como descritor, assim como a lipofilicidade do ligante e a variação de energia associada às perdas entrópicas resultantes das restrições conformacionais do ligante ao se complexar com a proteína. O NB - TcDHODH - 8, modelo de melhor performance, apresentou alta capacidade preditiva na validação cruzada quíntupla, a qual foi confirmada na validação externa com a série teste (AUC ROC = 0,79 e AUC BEDROC = 0,85). Os modelos desenvolvidos nas estratégias LBDD e SBDD deste trabalho poderão auxiliar no desenvolvimento novas terapias seguras e eficazes para o tratamento da doença de Chagas. Os compostos selecionados poderão ser explorados na terapêutica da doença ou como pontos de partida para novos projetos de P&D de fármacos anti-T. cruzi. Os modelos computacionais poderão, ainda, ser utilizados em novas triagens virtuais a partir de bibliotecas de interesse.
publishDate 2021
dc.date.issued.fl_str_mv 2021-02-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://doi.org/10.11606/D.9.2021.tde-05082021-002930
url https://doi.org/10.11606/D.9.2021.tde-05082021-002930
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade de São Paulo
dc.publisher.program.fl_str_mv Fármaco e Medicamentos
dc.publisher.initials.fl_str_mv USP
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade de São Paulo
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1786376582789595136