Por favor, use este identificador para citar o enlazar este ítem:
https://www.arca.fiocruz.br/handle/icict/42425
Tipo
ArtículoDerechos de autor
Acceso restringido
Fecha del embargo
2022-01-01
Colecciones
- IOC - Artigos de Periódicos [12642]
Metadatos
Mostrar el registro completo del ítem
EFFICIENT IDENTIFICATION OF NOVEL ANTI-GLIOMA LEAD COMPOUNDS BY MACHINE LEARNING MODELS
Aprendizado de máquina
Glioblastoma
Modelagem preditiva
Modelo de glioma ortotópico
Reductase de tiadoxiina
Glioblastoma
Machine learning
Predictive modeling
Orthotopic glioma model
Thioredoxin reductase
Autor
Afiliación
UniEvangelica. Centro Universitario de Anápolis. LabChem-Laboratório de Cheminformática. Anápolis, GO, Brasil / Universidade Federal de Gooás. Faculdade de Farmácia. LabMol- Laboratório de Modelagem Molecular e Design de Drogas. Goiânia, GO, Brasil. .
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
UniEvangelica. Centro Universitario de Anápolis. LabMol- Laboratório de Modelagem Molecular e Design de Drogas. Goiânia, GO, Brasil / Universidade Estadual de Goias. InSiChem Drug Discovery. Anápolis, GO, Brasil.
Universidade Federal do Rio de Janeiro. Instituto de Química. LSOPB - Laboratorio de Síntese Orgânica e Prospecção Biológica. Rio de Janeiro, RJ, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasil.
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasi
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasi
Universidade Federal do Rio de Janeiro. Instituto de Química. LSOPB - Laboratorio de Síntese Orgânica e Prospecção Biológica. Rio de Janeiro, RJ, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Universidade Federal de Gooás. Faculdade de Farmácia. LabMol- Laboratório de Modelagem Molecular e Design de Drogas. Goiânia, GO, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
UniEvangelica. Centro Universitario de Anápolis. LabMol- Laboratório de Modelagem Molecular e Design de Drogas. Goiânia, GO, Brasil / Universidade Estadual de Goias. InSiChem Drug Discovery. Anápolis, GO, Brasil.
Universidade Federal do Rio de Janeiro. Instituto de Química. LSOPB - Laboratorio de Síntese Orgânica e Prospecção Biológica. Rio de Janeiro, RJ, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasil.
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasi
Fundação Oswaldo Cruz. Instituto Oswaldo Cruz. Laboratorio de Bioquímica Experimental e Computacional de Fármacos. Rio de Janeiro, RJ, Brasi
Universidade Federal do Rio de Janeiro. Instituto de Química. LSOPB - Laboratorio de Síntese Orgânica e Prospecção Biológica. Rio de Janeiro, RJ, Brasil.
Universidade Federal de Santa Catarina. Centro de Ciências Biológicas. Departamento de Farmacologia. LabCancer - Laboratorio de Farmacologia e Bioquímica do Câncer. Florianópolis, SC, Brasil.
Universidade Federal de Gooás. Faculdade de Farmácia. LabMol- Laboratório de Modelagem Molecular e Design de Drogas. Goiânia, GO, Brasil.
Resumen en ingles
Glioblastoma multiforme (GBM) is the most devastating and widespread primary central nervous system tumor. Pharmacological treatment of this malignance is limited by the selective permeability of the blood-brain barrier (BBB) and relies on a single drug, temozolomide (TMZ), thus making the discovery of new compounds challenging and urgent. Therefore, aiming to discover new anti-glioma drugs, we developed robust machine learning models for predicting anti-glioma activity and BBB penetration ability of new compounds. Using these models, we prioritized 41 compounds from our in-house library of compounds, for further in vitro testing against three glioma cell lines and astrocytes. Subsequently, the most potent and selective compounds were resynthesized and tested in vivo using an orthotopic glioma model. This approach revealed two lead candidates, 4m and 4n, which efficiently decreased malignant glioma development in mice, probably by inhibiting thioredoxin reductase activity, as shown by our enzymological assays. Moreover, these two compounds did not promote body weight reduction, death of animals, or altered hematological and toxicological markers, making then good candidates for lead optimization as anti-glioma drug candidates.
Palabras clave en portugues
CâncerAprendizado de máquina
Glioblastoma
Modelagem preditiva
Modelo de glioma ortotópico
Reductase de tiadoxiina
Palabras clave en ingles
CancerGlioblastoma
Machine learning
Predictive modeling
Orthotopic glioma model
Thioredoxin reductase
Compartir