Use este identificador para citar ou linkar para este item: http://rima.ufrrj.br/jspui/handle/20.500.14407/26726
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorTeixeira, Winnie Mariana Adão Lopes-
dc.date.accessioned2026-10-19T16:36:37Z-
dc.date.available2026-10-19T16:36:37Z-
dc.date.issued2025-12-22-
dc.identifier.citationTEIXEIRA, Winnie Mariana Adão Lopes. Estudo da atividade de inibidores da Anidrase Carbônica β de Mycobacterium tuberculosis por Docagem Molecular, análise de componentes principais e de Clusters. 2025. 91f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2025.pt_BR
dc.identifier.urihttp://rima.ufrrj.br/jspui/handle/20.500.14407/26726-
dc.description.abstractA tuberculose é uma doença infecciosa grave causada pela micobactéria Mycobacterium tuberculosis. Ela é tratável e curável, porém existem casos em que surgem cepas multirresistentes aos medicamentos de primeira e segunda linha, o que leva à necessidade de se identificar novos candidatos a antibióticos contra essa micobactéria. Esse trabalho tem como objetivo usar um conjunto de compostos da literatura com atividade inibitória sobre a enzima anidrase carbônica, um alvo promissor para ação sobre M. tuberculosis, para se desenvolver modelos de classificação da atividade inibitória por métodos de modelagem molecular e análise estatística. Os resultados preliminares mostram que a técnica de docagem molecular levou a resultados promissores em termos da classificação dos compostos como sendo de baixa ou de alta atividade inibitória. Foram explorados os dados calculados relacionadas a esses compostos e seus complexos com a enzima para encontrar um conjunto de variáveis de menor dimensionalidade que tenha um potencial classificador de forma que possam ser usados para o estudo de compostos candidatos a antibióticos contra essa micobactéria. Para isso, foi usada a técnica de análise de componentes principais para reduzir a dimensionalidade preservando características do conjunto e a análise de cluster para separar o conjunto de variáveis de acordo com a similaridade dos elementos a partir dos dados disponibilizados pelos componentes principais. A clusterização confirmou os padrões dos resultados da análise de componentes principais.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado do Rio de Janeiro - FAPERJpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectModelagem Matemáticapt_BR
dc.subjecttuberculosept_BR
dc.subjectdocagem molecularpt_BR
dc.subjectinibidores da anidrase carbônicapt_BR
dc.subjectanálise de componentes principaispt_BR
dc.subjectClusterspt_BR
dc.subjectMathematical modelingpt_BR
dc.subjecttuberculosispt_BR
dc.subjectmolecular dockingpt_BR
dc.subjectcarbonic anhydrase inhibitorspt_BR
dc.subjectprincipal component analysispt_BR
dc.titleEstudo da atividade de inibidores da Anidrase Carbônica β de Mycobacterium tuberculosis por docagem molecular, análise de componentes principais e de clusterspt_BR
dc.title.alternativeDevelopment of classification models inhibitory activity of Mycobacterium Tuberculosis β-carbonic anhydraseen
dc.typeDissertaçãopt_BR
dc.description.abstractOtherTuberculosis is a serious infectious disease caused by the mycobacterium Mycobacterium tuberculosis. It is treatable and curable disease, however, there are cases in which multidrug-resistant strains emerge, leading to the need to identify new antibiotic candidates against this mycobacterium. This work aims to use a set of compounds from the literature with inhibitory activity on the carbonic anhydrase enzyme, a promising target for action against M. tuberculosis, to develop models for classifying inhibitory activity using molecular modeling and statistical analysis methods. Preliminary results show that the molecular docking technique led to promising results in terms of classifying compounds as having low or high inhibitory activity. Calculated data related to these compounds and their complexes with the enzyme were explored to find a set of lower-dimensional variables with classification potential that can be used to study antibiotic candidate compounds against this mycobacterium. To achieve this, principal component analysis was used to reduce dimensionality while preserving set characteristics, and cluster analysis was employed to separate the set of variables according to the similarity of elements based on the data provided by the principal components. The clustering confirmed the patterns of the principal component analysis results.en
dc.contributor.advisor1Sant'Anna, Carlos Mauricio Rabello de-
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-1989-5038pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2087099684752643pt_BR
dc.contributor.advisor-co1Silva, Felipe Leite Coelho da-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee1Sant'Anna, Carlos Mauricio Rabello de-
dc.contributor.referee1IDhttps://orcid.org/0000-0003-1989-5038pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/2087099684752643pt_BR
dc.contributor.referee2Gregório, Ronaldo Malheiros-
dc.contributor.referee2IDhttps://orcid.org/0000-0003-2229-0523pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/4502104424266743pt_BR
dc.contributor.referee3Romeiro, Nelilma Correia-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/5103876509322346pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/3902859877413457pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.references1. ABDI, Hervé; WILLIAMS, Lynne J. Principal component analysis. Wiley interdisciplinary reviews: computational statistics, v. 2, n. 4, p. 433-459, 2010. 2. ABDOLI, M.; BONARDI, A.; PAOLETTI, N.; ASPATWAR, A.; PARKKILA, S.; GRATTERI, P.; SUPURAN, C. T.; ŽALUBOVSKIS, R. Inhibition studies on human and mycobacterial carbonic anhydrases with N-((4- sulfamoylphenyl)carbamothioyl) amides. Molecules, v. 28, n. 10, p. 4020, 2023. DOI: 10.3390/molecules28104020. 3. ALLAIRE, J. RStudio: integrated development environment for R. Boston, MA, v. 770, n. 394, p. 165-171, 2012. 4. ANDRICOPULO, Adriano D.; GUIDO, Rafael VC; OLIVA, Glaucius. Virtual Screening and its Integration with Modern Drug Design Technologies. Current Medicinal Chemistry, v. 15, n. 1, p. 37-46, 2008. 5. ARBEX, Marcos A.; VARELLA, Marília de C. L.; SIQUEIRA, Hélio R.; MELLO, Fernando Augusto Fiúza de. Drogas Antituberculose: Interações Medicamentosas, Efeitos Adversos e Utilização em Situações Especiais - Parte 1: Fármacos de Primeira Linha. Jornal Brasileiro de Pneumologia, v. 36, p. 626-640, 2010. 6. ARBEX, Marcos A.; VARELLA, Marília de C. L.; SIQUEIRA, Hélio R.; MELLO, Fernando Augusto Fiúza de. Drogas Antituberculose: Interações Medicamentosas, Efeitos Adversos e Utilização em Situações Especiais - Parte 2: Fármacos de Segunda Linha. Jornal Brasileiro de Pneumologia, v. 36, p. 641-656, 2010. 7. ASPATWAR, Ashok et al. Mycobacterium tuberculosis β-carbonic anhydrases: Novel targets for developing antituberculosis drugs. International Journal of Molecular Sciences, v. 20, n. 20, p. 5153, 2019. 8. ASPATWAR, Ashok; HAMMAREN, Milka; PARIKKA, Mataleena; PARKKILA, Seppo; CARTA, Fabrizio; BOZDAG, Murat; VULLO, Daniela; SUPURAN, Claudiu T. In Vitro Inhibition of Mycobacterium Tuberculosis β-Carbonic Anhydrase 3 with Mono- and Dithiocarbamates and Evaluation of Their Toxicity Using Zebrafish Developing Embryos. Journal of Enzyme Inhibition and Medicinal Chemistry, v. 35, n. 1, p. 65-71, 2020. 9. AZEVEDO, Nathalia de et al. Desenvolvimento de modelos de predição de atividade inibitória sobre a DNA Girase de micobactérias baseados em estudos de modelagem molecular. Dissertação (Mestrado em modelagem matemática computacional), UFRRJ. Rio de Janeiro, 2021. 10.BANDEIRA, Soraya de O. et al. Uso de Regressão Linear Múltipla para Previsão da Atividade Inibitória da Enzima N-miristoiltransferase de Leishmania donovani. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, v. 11, n. 1, p. 1-8, 2025. 11.BARREIRO, Eliezer J.; FRAGA, Carlos Alberto Manssour et al. Química Medicinal: As Bases Moleculares da Ação dos Fármacos. Artmed Editora, 2014. 12.BARREIRO, E. J. et al. Modelagem molecular: uma ferramenta para o planejamento racional de fármacos em química medicinal. Química Nova, v. 20, n. 1, p. 1-12, 1997. 13.BAXTER, C. A.; MURRAY, C. W.; CLARK, D. E.; WESTHEAD, D. R.; ELDRIDGE, M. D. Flexible docking using Tabu search and an empirical estimate of binding affinity. Proteins: Structure, Function, and Genetics v. 33, n. 3, p. 367–382, 1998. 14.BHOLOWALIA, P.; KUMAR, A. EBK-Means: A clustering technique based on Elbow Method and K-Means in WSN. International Journal of Computer Applications, v. 105, n. 9, p. 17-24, 2014. 15.BRASIL. Ministério da Saúde. Boletim Epidemiológico – Tuberculose 2024. Disponível em: <https://www.gov.br/aids/pt-br/central-de- conteudo/boletinsepidemiologicos/2024/boletimepidemiologico- tuberculose-2024/view>. Acesso em: 27 mar. 2024. 16.BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Cartilha para o Agente Comunitário de Saúde: tuberculose. Brasília, DF: MS, 2017. 17.BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde, Departamento de Doenças de Condições Crônicas e Infecções Sexualmente Transmissíveis. Brasil Livre da Tuberculose: Plano Nacional pelo Fim da Tuberculose como Problema de Saúde Pública: Estratégias para 2021-2025. Brasília: Ministério da Saúde, 2021. 18.BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Vigilância das Doenças Transmissíveis. Brasil Livre da Tuberculose: Plano Nacional pelo Fim da Tuberculose como Problema de Saúde Pública. Brasília: Ministério da Saúde, 2017. 19.BRASIL. Ministério da Saúde do Brasil. Nota Técnica sobre as Mudanças no Tratamento da Tuberculose no Brasil para Adultos e Adolescentes – Versão 2. 2022. 20.BRUNTON, Laurence L.; CHABNER, Bruce A.; KNOLLMANN, Björn C. (Orgs.). 21.As bases farmacológicas da terapêutica de Goodman & Gilman. Tradução de Augusto Langeloh... et al. Revisão técnica: Almir Lourenço da Fonseca. 12. ed. Porto Alegre: AMGH, 2017. Dados eletrônicos. 22.CARTA, Fabrizio; MARESCA, Alfonso; COVARRUBIAS, Adrian S.; MOWBRAY, Sherry L. et al. Carbonic Anhydrase Inhibitors: Characterization and Inhibition Studies of the Most Active β-Carbonic Anhydrase from Mycobacterium Tuberculosis, rv3588c. Bioorganic & Medicinal Chemistry Letters, v. 19, n. 23, p. 6649-6654, 2009. 23.CARVALHO, Ivone et al. Introdução a modelagem molecular de fármacos no curso experimental de química farmacêutica. Química Nova, v. 26, n. 3, p. 428-438, 2003. 24.COELHO, Augusto Leite. Química Inorgânica Descritiva. Fortaleza: EdUECE, 2015. 136 p. 25.COATES, R. F. W. The Advanced Sonar Course: Further Topics in Underwater Acoustics. 1 a Edition, Seiche, 2001. 26.COHEN, J. Statistical power analysis for the behavioral sciences. 2. ed. Hillsdale, NJ: Lawrence Erlbaum Associates, 1988. 27.COVARRUBIAS, A. S. et al. Structure and Function of Carbonic Anhydrases from Mycobacterium Tuberculosis. Journal of Biological Chemistry, v. 280, n. 19, p. 18782-18789, 2005. 28.COVARRUBIAS, A. S.; BERGFORS, T.; JONES, T. A.; HÖGBOM, M. Structural mechanics of the pH-dependent activity of beta-carbonic anhydrase from Mycobacterium tuberculosis. Journal of Biological Chemistry, v. 281, n. 8, p. 4993-4999, 2006. DOI:10.1074/jbc.M510756200. 29.Crystal Structure of M. Tuberculosis Beta Carbonic Anhydrase, rv3588c, Tetrameric Form. Disponível em: <https://www.rcsb.org/structure/2a5v>. Acesso em: 12 jan. 2024. 30.DE AZEVEDO, Nathalia et al. Desenvolvimento de um Modelo Preditivo para a Atividade Inibitória de Tiazolopiridinil-ureias sobre a Subunidade B da DNA Girase de Micobactérias por Meio de Descritores Moleculares. Revista Virtual de Química, v. 14, n. 6, 2022. 31.ELDRIDGE, M. D.; MURRAY, C. W.; AUTON, T. R.; PAOLINI, G. V.; MEE, R. P. Empirical scoring functions: I. The development of a fast empirical scoring function to estimate the binding affinity of ligands in receptor complexes. Journal of Computer-Aided Molecular Design, v. 11, p. 425–445, 1997. 32.FIGUEIREDO FILHO, Dalson Britto; SILVA JÚNIOR, José Alexandre. Desvendando os Mistérios do Coeficiente de Correlação de Pearson (r). Revista Política Hoje, v. 18, n. 1, p. 115-146, 2009. 33.FIGUEIREDO FILHO, D. B. Análise multivariada para os cursos de Administração, Ciências Contábeis e Economia. São Paulo: Atlas, 2009. 34.GUIDO, R. V. C. et al. Planejamento de Fármacos, Biotecnologia e Química Medicinal: Aplicações em Doenças Infecciosas. Estudos Avançados, v. 24, n. 24, p. 81-98, 2010. 35.GUIDO, Rafael VC; ANDRICOPULO, Adriano D.; OLIVA, Glaucius. Planejamento de Fármacos, Biotecnologia e Química Medicinal: Aplicações em Doenças Infecciosas. Estudos Avançados, v. 24, p. 81-98, 2010. 36.HONGYU, Kuang; SANDANIELO, Vera Lúcia Martins; DE OLIVEIRA JUNIOR, Gilmar Jorge. Análise de componentes principais: resumo teórico, aplicação e interpretação. E&S Engineering and science, v. 5, n. 1, p. 83-90, 2016. 37.INMETRO. Quadro Geral de Unidades de Medida: Resolução CONMETRO no 12/88. 4. ed. Rio de Janeiro: Ed. SENAI, 2007. 38.IZIBICKI, R.; SANTOS, T. M. dos. Aprendizado de máquina: uma abordagem estatística. São Carlos, SP: Rafael Izbicki, 2020. 1. ed. 39.JAMES, Gareth et al. An introduction to statistical learning. New York: springer, 2013. 72 40.JOHNSON, Richard A.; WICHERN, Dean W. Applied multivariate statistical analysis. 6. ed. Upper Saddle River: Pearson Prentice Hall, 2007. 41.KAUFMAN, Leonard; ROUSSEEUW, Peter J. Finding groups in data: an introduction to cluster analysis. John Wiley & Sons, 2009. 42.KIRTON, S. B.; MURRAY, C. W.; VERDONK, M. L.; TAYLOR, R. D. Prediction of binding modes for ligands in the cytochromes P450 and other heme‐ containing proteins. Proteins: Structure, Function, and Bioinformatics, v. 58, p. 836-844, 2005. 43.LATTIN, J.; CARROLL, J. D.; GREEN, P. E. Análise de dados multivariados. São Paulo: Cengage Learning, 2011. 44.LOMBARDINO, Joseph G.; LOWE III, John A. The Role of the Medicinal Chemist in Drug Discovery—Then and Now. Nature Reviews Drug Discovery, v. 3, n. 10, p. 853-862, 2004. 45.LU, T. Multiwfn. Software manual. Version, v. 3, n. 6, 2014. 46.MARQUES, Paulo R. B.; OLIVEIRA, Yamanaka, Hideko. Biossensores Baseados no Processo de Inibição Enzimática. Química Nova, v. 31, p. 1791-1799, 2008. 47.MARESCA, Alfonso; CARTA, Fabrizio; VULLO, Daniela; SUPURAN, Claudiu T. Dithiocarbamates Strongly Inhibit the -Class Carbonic Anhydrases from Mycobacterium Tuberculosis. Journal of Enzyme Inhibition and Medicinal Chemistry, v. 28, n. 2, p. 407-411, 2013. 48.MARESCA, Alfonso; VULLO, Daniela; SCOZZAFAVA, Andrea; MANOLE, Gheorghe; SUPURAN, Claudiu T. Inhibition of the -Class Carbonic Anhydrases from Mycobacterium Tuberculosis with Carboxylic Acids. Journal of Enzyme Inhibition and Medicinal Chemistry, v. 28, n. 2, p. 392-396, 2013. 49.MÉDICOS SEM FRONTEIRAS. Tuberculose. 2022. Disponível em: <https://www.msf.org.br/o-que-fazemos/atividades- medicas/tuberculose/>. Acesso em: 03 abr. 2024. 50.MELO, Giane Lavarda; PETRY, Mirta Teresinha; MARTINS, Juliano Dalcin; VILLA, Bruna de. Análise de componentes principais e contribuições das variáveis e estações meteorológicas na determinação da evapotranspiração de referência no Estado do Rio Grande do Sul. Revista Brasileira de Climatologia, v. 37, n. 21, p. 474– 492, 2025. 51.MOREIRA, C., Enzima. Revista Ciência Elementar, v. 3, n.3, p.162, 2015. 52.MOOIJ, Wijnand.T; VERDONK, Marcel L.. General and targeted statistical potentials for protein-ligand interactions. Proteins. v.61, n.2, p.272-287, 2005. 53.MUNZLINGER, Elizabete; NARCISO, Fabricio B.; DE QUEIROZ, José Eustáquio R. Sistematização de revisões bibliográficas em pesquisas da área de IHC. Sociedade Brasileira de Computação, 2012. 54.ORGANIZAÇÃO MUNDIAL DA SAÚDE. Global Tuberculosis Report 2023. Genebra: World Health Organization, 2023. Licença: CC BY-NC-SA 3.0 IGO. 55.ORGANIZAÇÃO MUNDIAL DA SAÚDE. Global tuberculosis report 2025. Geneva: World Health Organization; 2025. Licence: CC BY-NC-SA 3.0 IGO. 56.PAIVA, Fernando Fernandes; BARBATO, Daniela Maria Lemos; PAIVA, Mirella Lopez Martini Fernandes; JOÃO, Herbert Alexandre; MUNIZ, Sérgio Ricardo. 73 Orientações motivacionais de alunos do ensino médio para física: considerações psicométricas. Revista Brasileira de Ensino de Física, v. 40, n. 3, p. e3404.1 – e3204.9, 2018. 57.PALMA, Luann Farias. Agrupamento de dados: k-médias. Trabalho acadêmico (Bacharelado em Ciências Exatas e Tecnológicas) — Centro de Ciências Exatas e Tecnológicas, Universidade Federal do Recôncavo da Bahia, Cruz das Almas, 2018. 58.POSIT TEAM. RStudio: Integrated Development Environment for R. Boston, MA: Posit Software, PBC, 2025. Disponível em: http://www.posit.co/ 59.SANTANNA, Carlos M. et al. Métodos de Modelagem Molecular para Estudo e Planejamento de Compostos Bioativos: Uma Introdução. Revista Virtual de Química, v. 1, n. 1, p. 49-57, 2009. 60.STEWART, J.J. Optimization of parameters for semiempirical methods V: modification of NDDO approximations and application to 70 elements. J. Mol. Model. 2007 Dec;13(12):1173-213. doi: 10.1007/s00894-007-0233-4. Epub 2007 Sep 9. 61.SANTOS, Lucianna Helene; PASLAUSKI, Gustavo; TEIXEIRA, Gabriel de Paula (Org.). Bioinformática na Prática: Desvendando a Biologia com Códigos. BioInfo, 2022. DOI: 10.51780/978-6-599-275326-09. 62.STEWART, J.J. Optimization of parameters for semiempirical methods V: modification of NDDO approximations and application to 70 elements. J. Mol. Model. 2007 Dec; v.13, n. 12, p.1173-213, 2007. doi: 10.1007/s00894-007- 0233-4. 63.SILVESTRE, António. Análise de Dados e Estatística Descritiva. Escolar Editora, 2007. 64.SUPURAN, Claudiu T.; SUPURAN, Ghiorghi. Inhibition Studies on Human and Mycobacterial Carbonic Anhydrases with Sulfamic Acid Derivatives. Journal of Medicinal Chemistry, v. 63, n. 7, p. 2338–2344, 2021. 65.VULLO, Daniela; CAU, Ylenia; MORI, Mattia; SUPURAN, Claudiu T. Inhibition of Mycobacterial Carbonic Anhydrases with Hydroxycarboxylic Acids and Their Derivatives. Journal of Enzyme Inhibition and Medicinal Chemistry, v. 33, n. 66.WEHRENS, Ron. Chemometrics with R: Multivariate Data Analysis in the Natural and Life Sciences. 1. ed. Cham: Springer, 2011.pt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
Aparece nas coleções:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2025 - Winnie Mariana Adão Lopes Teixeira.pdf3,32 MBAdobe PDFAbrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.