MPŠ
MPŠ MP&Scaron MP&Scaron MP&Scaron Avtorji

Mednarodna
podiplomska šola
Jožefa Stefana

Jamova 39
SI-1000 Ljubljana
Slovenija

Tel: (01) 477 31 00
Faks: (01) 477 31 10
E-pošta: info@mps.si

Išči

Opis predmeta

Načrtovanje učinkovin na osnovi molekulskega in QSAR modeliranja

Programi:

Nanoznanosti in nanotehnologije, 3. stopnja

Sodelavci:

prof. dr. Marjana Novič

Cilji:

Spoznavanje računalniških metod za modeliranje lastnosti molekul. Povdarek je na lastnostih, ki so zanimive pri raziskavah novih zdravilnih učinkovin in za ocenjevanje nevarnosti spojin v okolju (kemijska regulativa).
- Spoznavanje ustreznih podatkovnih bank, ki vsebujejo podatke o strukturah in lastnosti spojin, in metod za delo s podatkovnimi bankami.
- Spoznavanje metod za kodiranje molekulskih struktur in za izračun molekulskih deskriptorjev.
- Spoznavanje statističnih metod modeliranja in validacije modelov.
- Spoznavanje osnov molekulskega modeliranja – rešetanje, sidranje.

Vsebina:

Predstavitev podatkovnih bank, ki so dostopne preko interneta in eventualno urejanje lastne banke podatkov za različne biološke lastnosti (doze in razredi toksičnosti, teratogenost, karcinogenost, vezavne konstante z določenimi encimi, itd.).
- Kodiranje kemijskih struktur (notacija SMILES, MDL, SDF, MOL)
- Izračun deskriptorjev (topološki, empirični, kvantno-kemijski, itd.) in uporaba ustreznih računalniških programov (DRAGON, CODESSA, itd.).
- Uporaba različnih programskih paketov za gradnjo in validacijo QSPR modelov (linearna regresija, metoda glavnih osi, nevronske mreže, itd.)
- Izdelava modelov (linearni, nelinearni)
V okviru tega poglavja bodo študenti spoznali osnove večkratne linearne regresije (MLR) kot primer linearne regresije, med nelinearnimi tehnikami pa bomo predstavili različne umetne nevronske mreže.
- Transformacije merskega prostora
Predstavili bomo nekatere pogoste transformacije merskega prostora (npr. PCA,...), ki jih uporabljamo za boljšo predstavitev več dimenzionalnega merskega prostora.
- Grupiranje
Predstavili bomo enostavne postopke grupiranja podatkov v večdimenzionalnem merskem prostoru, kot tudi uporabo umetnih nevronskih mrež v te namene.
- Vrednotenje modelov
Spoznali bomo osnovne postopke za delitev podatkov v več setov potrebnih za učenje in testiranje modela. Prav tako bomo obravnavali metode, ki jih uporabljamo pri testiranju različnih modelov.
- Matematične reprezentacije kemijskih struktur Obdelali bomo nekaj enostavnih predstavitev kemijskih struktur z namenom uporabe v QSAR in QSPR modeliranju.
- Praktična uporaba pridobljenih znanj – na primeru načrtovanja inhibitorjev izbranega encima.

Temeljna literatura in viri:

Izbrana poglavja iz naslednjih knjig: / Selected chapters from the following books:

1. D.L Massart et al., Handbook of Chemometrics and Qualimetrics, Elsevier, Amsterdam, 1997. Part B, pp. 383-417
2. J. Zupan, J. Gasteiger, Neural Networks in Chemistry and Drug Design: An Introduction, VCH, Weinheim, 1999. pp. 125-358
Additional literature (Selected chapters)
3. L. Hansch, A. Leo, Exploring QSAR Fundamentals and Applications in Chemistry and Biology, American Chemical Society, Washington, DC 1995.
4. MINOVSKI, Nikola, NOVIČ, Marjana. Integrated in silico methods for the design and optimization of novel drug candidates : a case study on fluoroquinolones - Mycobacterium tuberculosis DNA gyrase inhibitors. V: ROY, Kunal (ur.). Quantitative structure-activity relationships in drug design, predictive toxicology, and risk assessment, (Advances in chemical and materials engineering book series (Print), ISSN 2327-5448). Harsley: Medical Information Science Reference (an imprint of IGI Global), cop. 2015, str. 269-317.

Additional literature available for the individual seminars in case of the tutoring approach.

Izbrane reference nosilca:

Book chapters
1. NOVIČ, Marjana. Kohonen and counter-propagation neural networks applied for mapping and interpretation of IR spectra. V: LIVINGSTONE, David (ur.). Artificial neural networks : methods and applications. Humana Press, 2007, str. [1-15].
2. MINOVSKI, Nikola, NOVIČ, Marjana. Integrated in silico methods for the design and optimization of novel drug candidates : a case study on fluoroquinolones - Mycobacterium tuberculosis DNA gyrase inhibitors. V: ROY, Kunal (ur.). Quantitative structure-activity relationships in drug design, predictive toxicology, and risk assessment, (Advances in chemical and materials engineering book series (Print), ISSN 2327-5448). Harsley: Medical Information Science Reference (an imprint of IGI Global), cop. 2015, str. 269-317
Scientific papers
1. LETONDOR, Christophe, PORDEA, Anca, HUMBERT, Nicolas, IVANOVA, Anita, MAZUREK, Sylwester, NOVIČ, Marjana, WARD, Thomas R. Artificial transfer hydrogenases based on the biotin-(strept)avidin technology : fine tuning the selectivity by saturation mutagenesis of the host protein. J. Am. Chem. Soc., 2006, vol. 128, no. 25, str. 8320 -8328. [COBISS.SI-ID 3516442]
2. ŽUPERL, Špela, PRISTOVŠEK, Primož, MENART, Viktor, GABERC-POREKAR, Vladka, NOVIČ, Marjana. Chemometric approach in quantification of structural identity/similarity of proteins in biopharmaceuticals. J. chem. inf. mod., 2007, vol. 47, no. 3, str. 737-743. [COBISS.SI-ID 3725082]
3. ROY CHOUDHURY, Amrita, NOVIČ, Marjana. Data-driven model for the prediction of protein transmembrane regions. SAR and QSAR in environmental research, ISSN 1062-936X, 2009, vol. 20, no. 7/8, str. 741-754.
4. ROY CHOUDHURY, Amrita, PERDIH, Andrej, ŽUPERL, Špela, SIKORSKA, Emilia, ŠOLMAJER, Tomaž, JURGA, Stefan, ZHUKOV, Igor, NOVIČ, Marjana. Structural elucidation of transmembrane transporter protein bilitranslocase : conformational analysis of the second transmembrane region TM2 by molecular dynamics and NMR spectroscopy. Biochimica et biophysica acta, Biomembranes, ISSN 0005-2736. [Print ed.], 2013, vol. 1828, iss. 11, str. 2609-2619.
5. MARTINČIČ, Rok, KUZMANOVSKI, Igor, WAGNER, Alain, NOVIČ, Marjana. Development of models for prediction of the antioxidant activity of derivatives of natural compounds. Analytica chimica acta, ISSN 0003-2670. [Print ed.], Apr. 2015, vol. 868, str. 23-35.

Načini preverjanja znanja:

Seminarska naloga (50%)
Ustni zagovor seminarske naloge (50%)

Obveznosti študentov:

Seminarska naloga.
Ustni zagovor seminarske naloge.

Zunanje povezave: