Búsqueda in silico de moléculas anti-Toxoplasma gondii

Abstract

Toxoplasma gondii es uno de los patógenos oportunistas más importantes en humanos y es el agente causal de la toxoplasmosis. Actualmente no existen vacunas efectivas y los fármacos aprobados presentan diversos efectos adversos. Por tales razones, existe la necesidad de contar con nuevos fármacos contra la toxoplasmosis activa y/o crónica. Nuestro objetivo es la búsqueda in silico de nuevas moléculas que posean actividad anti-T. gondii como alternativas terapéuticas a los tratamientos actuales.Se realizará una búsqueda bibliográfica de moléculas evaluadas en ensayos in vitro frente a T. gondii. Las moléculas encontradas se clasificarán en "inhibidoras" y "no inhibidoras" de acuerdo con los valores de actividad reportados. El set de datos se repartirá en un conjunto de entrenamiento, para generar modelos clasificadores, y dos conjuntos de testeo, para evaluar el desempeño de los modelos generados. Para lograr una participación representativa de los conjuntos de datos se utilizará la herramienta de clustering iRaPCA, que combina la técnica de subespacios aleatorios con el algoritmo K-means para encontrar grupos de moléculas homogéneos y bien separadas de otros grupos.Las moléculas se caracterizarán mediante descriptores moleculares independientes de la conformación y se relacionarán con la actividad anti-T. gondii mediante ecuaciones lineales. Para tal fin se recurrirá a scripts desarrollados en Python que permiten generar diferentes subconjuntos de descriptores no correlacionados y con buena significancia. Cada modelo se validará internamente mediante técnicas de validación estándar. Los conjuntos de testeo se complementarán con presuntos inactivos generados mediante la herramienta LUDe. Se espera obtener sets de validación con una proporción de moléculas inhibidoras menor al 5%. Se evaluarán, para cada modelo, diferentes métricas de enriquecimiento. Los mejores modelos serán combinados sistemáticamente mediante diferentes operadores para aumentar la robustez y capacidad predictiva de los modelos individuales. Finalmente, se analizarán curvas del valor predictivo positivo para seleccionar un valor de corte adecuado para el ensamble seleccionado.El mejor modelo se utilizará para el cribado virtual de bases de datos que compilan fármacos aprobados y en diferentes etapas de desarrollo experimental. Se seleccionarán los mejores candidatos para su evaluación experimental.Las moléculas seleccionadas se evaluarán en ensayos de replicación de los parásitos. Fibroblastos humanos infectados con tachizoitos de T. gondii se incubarán con diferentes concentraciones de los candidatos. La replicación se estudiará mediante inmunofluorescencia directa y se reportará la concentración que inhibe el 50% de la replicación con respecto al control.