Resumen de Modelos bioinformáticos para la predicción de compuestos biológicamente activos en cáncer de colon
- español
Para el descubrimiento de fármacos es necesario encontrar nuevos compuestos con propiedades químicas especificas que permitan el tratamiento de enfermedades. En los últimos anos, el enfoque utilizado en esta búsqueda presenta un componente importante en las ciencias de la computación, con el aumento vertiginoso de las técnicas de aprendizaje automático. Con los objetivos marcados por la Medicina de Precisión y los nuevos retos generados, es necesario establecer metodologías computacionales robustas, estandarizadas y reproducibles para alcanzar los objetivos planteados. Actualmente, los modelos predictivos basados en Machine Learning han cobrado gran importancia en el paso previo a los estudios preclínicos, logrando reducir drásticamente los costos y tiempos de investigación en el descubrimiento de nuevos fármacos. Los modelos de quimioinformática pueden predecir diferentes resultados (actividad, propiedad química, reactividad) en moléculas individuales o sistemas moleculares complejos (síntesis orgánica catalizada, reacciones, nanopartículas, etc.). Específicamente, la predicción quimioinformática de la enantioselectividad en sistemas complejos catalíticos es un objetivo importante de la síntesis orgánica y la industria química. La reacción de α-amidoalquilación enantioselectiva catalizada por ácidos de Bronsted es un procedimiento útil para la producción de nuevos catalizadores quirales (herramientas) o fármacos (productos). La enantioselectividad es sensible a muchos factores, desde la naturaleza del sustrato, nucleófilo y del catalizador hasta las condiciones experimentales (disolvente, temperatura, etc.). Por lo tanto, las herramientas computacionales capaces de predecir la enantioselectividad de estas reacciones constituye un valioso instrumento para el diseño racional de nuevos catalizadores y productos quirales por parte de los químicos especializados en síntesis orgánica de todo el mundo. Se ha elaborado esta Tesis Doctoral, de investigación muy marcadamente multidisciplinar, en la que se aúnan esfuerzos de tres ramas de la ciencia como son la medica, química e informática. En lo referente a la informática, base de la Tesis Doctoral, se partirá de las técnicas de inteligencia artificial para avanzar creando nuevos modelos. Las herramientas bioinformáticas desarrolladas sirven como apoyo fundamental para el avance médico en la comprensión de una enfermedad tan compleja y multifactorial como el cáncer y también en el avance químico de la identificación de estructuras de compuestos que hagan a los mismos comportarse activamente contra el cáncer de colon. Todo este esfuerzo conjunto culmina con el desarrollo de nuevos modelos de aprendizaje automático basados en inteligencia artificial para la lucha contra el cáncer de colon y la implementación de la primera libreria en R para el cálculo de descriptores moleculares, así como del primer servidor web público para su cálculo en línea, validación de los modelos y una versión de escritorio del software para su uso local.
- English
For drug discovery it is necessary to find new compounds with specific chemical properties that allow the treatment of diseases. In recent years, the approach used in this search has an important component in computer science, with the rapid rise of machine learning techniques. With the objectives set by Precision Medicine and the new challenges generated, it is necessary to establish robust, standardized and reproducible computational methodologies to achieve the proposed objectives. Currently, predictive models based on Machine Learning have become very important in the step prior to preclinical studies, drastically reducing costs and research times in the discovery of new drugs. Chemoinformatics models can predict different outcomes (activity, chemical property, reactivity) in single molecules or complex molecular systems (catalysed organic synthesis, reactions, nanoparticles, etc.). Specifically, chemoinformatics prediction of enantioselectivity in complex catalytic systems is an important goal in organic synthesis and chemical industry. The Bronsted acid-catalysed enantioselective α-amidoalkylation reaction is a useful procedure for the production of new chiral catalysts (tools) or drugs (products). Enantioselectivity is sensitive to many factors, from the nature of the substrate and catalyst to the experimental conditions (solvent, temperature, etc.). Therefore, computational tools capable of predicting the enantioselectivity of these reactions are a valuable tool for the rational design of new catalysts and chiral products by organic synthesis chemists worldwide. This Doctoral Thesis has been elaborated, a very markedly multidisciplinary investigation, in which the efforts of three branches of science such as medicine, chemistry and computer science are combined. With regard to computing, the basis of the Doctoral Thesis, artificial intelligence techniques will be used to advance by creating new models. The bioinformatics tools developed serve as fundamental support for medical advances in the understanding of a disease as complex and multifactorial as cancer and also in the chemical advancement of the identification of structures of compounds that make them behave actively against colon cancer. . All this joint effort culminates in the development of new machine learning models based on artificial intelligence for the fight against colon cancer and the implementation of the first R library for the calculation of molecular descriptors, as well as the first public web server for its calculation online, validation of the models and a desktop version of the software for local use.
- galego
Para o descubrimento de fármacos e preciso atopar novos compostos con propiedades químicas especificas que permitan o tratamento de enfermidades. Nos últimos anos, o enfoque empregado nesta procura ten un componente importante nas ciencias da computación, co rápido auxe das técnicas de aprendizaxe automática. Cos obxectivos marcados pola Medicina de Precisión e cos novos retos xerados, compre establecer metodoloxías computacionais robustas, estandarizadas e reproducibles para acadar os obxectivos propostos. Na actualidade, os modelos preditivos baseados en Machine Learning cobraron gran importancia no paso previo os estudos preclínicos, conseguindo reducir drásticamente os custos e os tempos de investigación no descubrimento de novos fármacos. Os modelos quimioinformáticos poden predecir diferentes resultados (actividade, propiedade química, reactividade) en moléculas individuais ou sistemas moleculares complexos (síntese orgánica catalizada, reaccións, nanopartículas, etc.). Concretamente, a predición quimioinformática da enantioselectividade en sistemas complexos catalíticos e un obxetivo importante da síntese orgánica e na industria química. A reacción de α-amidoalquilación enantioselectiva catalizada por ácidos de Bronsted e un proceso útil para a produción de novos catalizadores quirais (ferramentas) ou fármacos (produtos). A enantioselectividade e sensible a moitos factores, desde a natureza do sustrato e do catalizador ata as condicións experimentais (disolvente, temperatura, etc.). Polo tanto, as ferramentas computacionais capaces de predicir a enantioselectividade destas reaccións constitúen un instrumento valioso para o deseno racional de novos catalizadores e produtos quirais por parte dos químicos especializados en síntese orgánica de todo o mundo. Elaborouse esta Tese de Doutoramento, unha investigación moi marcadamente multidisciplinar, na que se conxugan os esforzos de tres ramas da ciencia como son a medicina, a química e a informática. No que respecta a informática, base da Tese Doutoral, empregaranse técnicas de intelixencia artificial para avanzar creando novos modelos. As ferramentas bioinformáticas desenvoltas serven de apoio fundamental para os avances mñédicos na comprensión dunha enfermidade tan complexa e multifactorial como o cancro e tamén no avance químico na identificación de estruturas de compostos que os fan comportarse activamente contra o cancro de colon. Todo este esforzo conxunto culmina no desenvolvemento de novos modelos de aprendizaxe automática baseados na intelixencia artificial para a loita contra o cancro de colon e na implantación da primeira biblioteca R para o calculo de descritores moleculares, así como o primeiro servidor web público para o seu calculo en liña, validación dos modelos e unha versión de escritorio do software para uso local.
