Por favor, use este identificador para citar o enlazar este ítem: http://dspace.udla.edu.ec/handle/33000/12231
Tipo de material : bachelorThesis
Título : Identificación de potenciales estabilizadores del cuartetog telomérico como agentes antitumorales
Autor : Correa Osorio, Melissa
Tutor : Pérez Castillo, Yunierkis
Palabras clave : GENÉTICA MOLECULAR;GENÉTICA QUÍMICA;BIOLOGÍA MOLECULAR;BIOQUÍMICA;TELOMERASA
Fecha de publicación : 2020
Editorial : Quito: Universidad de la Américas, 2020
Citación : Correa, M. (2020). Identificación de potenciales estabilizadores del cuartetog telomérico como agentes antitumorales (Tesis de pregrado). Universidad de las Américas, Quito.
Resumen : Cancer is one of the leading causes of death today. The mechanisms that interfere in the development of the disease are several. There are common factors when tumor activity develops. This is the case of telomerase, an enzyme that is inactive in somatic cells, but that recovers its activity in 80% of cancer cells. The main action of telomerase is related to conferring immortality on the telomere, by preventing natural shortening. This characteristic reflects that the size of the telomere and the presence of telomerase may be indicators of the development of tumorigenesis. The structural shape of the telomere indicates that the stability of the Tloop is effected by a grouping of guanines (G4). Therefore, achieving G4 stability could have an antitumor effect, since it has been shown that by interacting with small molecules it blocks telomerase activity. Finding stabilizers for G4 can be done in the laboratory, however, the probability of success is low, as well as being expensive. To solve this problem, computational chemistry turns out to be a good strategy. For the execution of this work, coupling techniques and virtual screening were used to find G4 stabilizers. A total of 108 active molecules and 3620 decoys were used. To improve the quality of the results, combinations of coupling programs (Dock6, Gold and OpenEye) with fifteen energy scoring functions were applied. For external validation, the CompScore model was used. 80 percent ligands and 80 percent lures were randomly divided for model training. The remaining values were used for validation. With the training data, the enrichment of the assets was maximized using BEDROC with an α equal to 160.9. The resulting model was used to requalify the validation data with an enrichment factor (EF) of 1 percent of the data. The results showed 6 active compounds with EF equal to 40.4 which indicates a good rate for enrichment. From this it is concluded that the model had good quality.
Descripción : El cáncer es una de las principales causas de muerte en la actualidad. Los mecanismos que interfieren en el desarrollo de la enfermedad son varios. Existen factores comunes cuando se desarrolla la actividad tumoral. Este es el caso de la telomerasa, una enzima que se encuentra inactiva en las células somáticas, pero que en el 80 por ciento de células cancerígenas recupera su actividad. La principal acción de la telomerasa se relaciona con conferirle inmortalidad al telómero, al evitar que se dé el acortamiento natural. Esta característica refleja que el tamaño del telómero y la presencia de la telomerasa pueden ser indicadores del desarrollo de tumorogénesis. La forma estructural del telómero indica que la estabilidad del Tloop es efectuada por una agrupación de guaninas (G4). Por lo tanto, Conseguir la estabilidad de G4 podría tener un efecto antitumoral, ya que se ha comprobado que al interactuar con moléculas pequeñas bloquea la actividad de la telomerasa. Encontrar estabilizadores para G4 se puede realizar en el laboratorio, sin embargo, la probabilidad de éxito es baja, además de ser costosa. Para solucionar este problema la química computacional resulta ser una buena estrategia. Para la ejecución del presente trabajo se emplearon técnicas de acoplamiento y cribado virtual para encontrar estabilizadores de G4. Se usó un total de 108 moléculas activas y 3620 señuelos. Para mejorar la calidad de los resultados se aplicaron combinaciones de programas de acoplamiento (Dock6, Gold y OpenEye) con quince funciones de puntuación energética. Para la validación externa se usó el modelo CompScore. Se dividió el 80 por ciento de ligandos y 80 por ciento de señuelos de forma aleatoria para el entrenamiento del modelo. Los valores restantes se usaron para la validación. Con los datos de entrenamiento se maximizo el enriquecimiento de los activos usando BEDROC con un α igual 160,9. El modelo resultante se usó para recalificar los datos de validación con un factor de enriquecimiento (EF) al 1 por ciento de los datos. Los resultados mostraron 6 compuestos activos con EF igual 40,4 lo cual indica una buena tasa para el enriquecimiento. A partir de esto se concluye que se tuvo una buena calidad por parte del modelo.
URI : http://dspace.udla.edu.ec/handle/33000/12231
Aparece en las colecciones: Ingeniería en Biotecnología

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
UDLA-EC-TIB-2020-02.pdf958,83 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons