Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.yachaytech.edu.ec/handle/123456789/429| Título : | Theoretical screening of therapeutic peptides with potential anticancer activity |
| Autor : | Rodríguez Cabrera, Hortensia María Romero Herdoiza, Maylin Fernanda |
| Palabras clave : | Cáncer Péptido localizador de tumores Péptido anticancerígeno Fármacos in silico Ciencia de redes Búsqueda por similitud Red de espacio químico Fusión de grupos Cancer Tumor homing peptide Anticancer peptide In silico drug Network science Similarity searching Chemical Space Network Group fusion |
| Fecha de publicación : | dic-2021 |
| Editorial : | Universidad de Investigación de Tecnología Experimental Yachay |
| Resumen : | La inespecificidad de los fármacos quimioterapéuticos y la resistencia a múltiples fármacos (MDR) adquirida por las células cancerígenas generan la necesidad de encontrar alternativas para tratar el cáncer. Los fármacos basados en péptidos son enfoques prometedores en el tratamiento del cáncer, ya que presentan valiosas ventajas como bajo peso molecular, alta especificidad y baja toxicidad. En particular, los péptidos localizadores de tumores (THP) destacan por la capacidad de unirse específicamente a los receptores de las células cancerígenas y a la vasculatura tumoral. Por otro lado, el descubrimiento de fármacos in silico ha demostrado ser una forma eficaz y rápida para predecir agentes quimioterapéuticos. Actualmente, hay dos predictores de THP disponibles, TumorHPD y THPep, basados en aprendizaje automático (ML) supervisado. Aquí, se desarrolla una metodología alternativa para descubrir THPs utilizando ciencia de redes y búsqueda por similitud en starPep toolbox (http://mobiosd-hub.com/starpep/). Este enfoque se beneficia de la Red de Espacio Químico (CSN). Se diseñaron algunos modelos basados en THPs representativos y no redundantes de la CSN para descubrir nuevos THPs a través de la búsqueda por similitud y fusión de grupos. Su rendimiento se validó con tres conjuntos de datos de referencia de THPs/no-THPs. Se alcanzaron precisiones entre 92.64-99.18% y coeficientes de correlación de Matthews entre 0.894-0.98, superando a los clasificadores de ML. Estos resultados demuestran el potencial de la búsqueda por similitud y la ciencia de redes para la predicción de actividad. Además, el mejor modelo se utilizó para reutilizar péptidos de starPepDB. Se sometieron a una optimización multiobjetivo para mejorar su farmacocinética. Por último, se propone una pequeña biblioteca de péptidos, que consta de 27 THP y 14 péptidos localizadores de tumores anticancerígenos (ACP) putativos. Estos 41 péptidos no han sido relacionados con estas actividades hasta ahora. Por lo tanto, son agentes terapéuticos prometedores para una futura validación experimental. |
| Descripción : | Unspecificity of chemotherapeutic drugs and multi-drug resistance (MDR) acquired by cancer cells generate the necessity to find alternatives to treat cancer. Peptide-based drugs are promising approaches in cancer treatments since they present valuable benefits as low molecular weight, high specificity, and low toxicity. Particularly, tumor homing peptides (THPs) are highlighted by their ability to specifically bind towards receptors from cancer cells and tumor vasculature. On the other hand, in silico drug discovery has demonstrated being an effective and rapid way to predict chemotherapeutic agents. Currently, there are two available THP predictors, TumorHPD and THPep, based on supervised Machine Learning (ML). Herein, an alternative methodology to discover THPs is developed using network science and similarity searching in starPep toolbox (http://mobiosd-hub.com/starpep/). The approach benefits from Chemical Space Network (CSN). Some models were designed based on representative and non-redundant THPs from the CSN to discover novel THPs through similarity searching and group fusion. Their performance was validated with three benchmarking datasets of THPs/non-THPs. Accuracies between 92.64-99.18% and Matthews correlation coefficients between 0.894-0.98 were achieved, outperforming ML classifiers. These results demonstrate the potential of similarity searching and network science for activity prediction. Moreover, the best model was used to repurpose peptides from starPepDB. They were subjected to multi-objective optimization to enhance their pharmacokinetic. Finally, a small peptide library is proposed, consisting of 27 putative THPs and 14 putative tumor homing anticancer peptides (ACPs). These 41 peptides are not related with these activities up to now. Thus, they are promising therapeutic agents for future experimental validation. |
| URI : | http://repositorio.yachaytech.edu.ec/handle/123456789/429 |
| Aparece en las colecciones: | Química |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| ECQI0102.pdf | 13 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.