Detalhes da Oferta

A disciplina oferece um arcabouço metodológico quantitativo e computacional que fortalece algumas etapas do ciclo experimental relacionados à biotecnologia e bioprospecção — da formulação de hipóteses à interpretação de resultados, com foco em sistemas e fenômenos biológicos e em bioprospecção de compostos bioativos com foco em biotecnologia.
Na prática, a disciplina atua como uma ponte entre a experimentação biológica e a caracterização molecular, permitindo que problemas típicos da Biologia Experimental (efeitos biológicos, mecanismos de ação, resposta fenotípica, interação biomolécula–ligante, seleção de alvos e de candidatos bioativos) sejam abordados com métodos reprodutíveis, capazes de lidar com dados complexos e multivariados.
Contribuições para a bioprospecção molecular, incluem, mas não se limitam ao (1) planejamento e racionalização de experimentos: a quimiometria (PCA, PLS/MLR, LDA/QDA/KNN) dá suporte ao desenho experimental, controle de variáveis, identificação de padrões e redução de dimensionalidade em dados de ensaios biológicos (inibição enzimática, atividade antimicrobiana, citotoxicidade, bioensaios fenotípicos, metabolômica, etc.), aumentando poder explicativo e robustez estatística, à (2) integração entre dados químicos e respostas biológicas: ao combinar descritores/fingerprints/scaffolds com resultados experimentais, os estudantes aprendem a construir relações estrutura–atividade (QSAR/QSPR) que explicam e predizem bioatividade, orientando prioridades de síntese, isolamento, fracionamento e ensaios e à (3) interpretação mecanística: a simulação de docagem molecular e dinâmica molecular conectam o “resultado do ensaio” ao mecanismo molecular plausível, permitindo discutir seletividade, afinidade, estabilidade conformacional, interações chave e hipóteses testáveis em bancada (mutagênese, ensaios competitivos, validações bioquímicas) e por fim com a (4) bioprospecção orientada por evidências: ao explorar bases como PubChem/ChEMBL/DrugBank/ZINC e aplicar triagens virtuais ( do inglês, ligand-based e receptor-based), a disciplina estrutura um fluxo de trabalho para identificação e priorização de moléculas com maior chance de sucesso experimental — reduzindo custo, tempo e redundância de testes.

Objetivo

• Fundamentar conceitos e aplicações de quimiometria, quimioinformática e modelagem molecular no contexto da bioprospecção, integrando química e biologia na resolução de problemas reais.
• Ensinar representação, curadoria e caracterização de estruturas moleculares, incluindo formatos (SMILES/SDF/PDB/MOL2), InChIKey, descritores, fingerprints e scaffolds (Markush e Murcko), visando à organização e à exploração de bibliotecas químicas.
• Habilitar o uso de bases de dados e estratégias de triagem virtual (ligand-based e receptor-based virtual screening) para identificação e priorização de compostos bioativos e de alvos biológicos relevantes.
• Desenvolver competências em modelagem e simulação molecular e IA aplicada, incluindo docagem, dinâmica molecular, predição estrutural de proteínas e construção de modelos preditivos para apoiar descoberta e otimização de candidatos em bioprospecção.

Conteúdo

1. Introdução à Quimiometria e Quimioinformática: definições e conceitos fundamentais, importância da análise de dados químicos e moleculares, aplicações interdisciplinares em química e biologia
2. Quimiometria: Métodos Estatísticos e Multivariados: Estatística descritiva aplicada à química, Análise de componentes principais (PCA), regressão multivariada (PLS, MLR), métodos de classificação (LDA, QDA, KNN), validação de modelos e análise de desempenho.
3. Quimioinformática, Representação e Análise de Moléculas: representação molecular: formatos de estrutura química (SMILES, SDF, PDB, MOL2), InChI Key, fingerprints moleculares (MACCS keys, ECFP6, MAP4) e esqueletos/arcabouços moleculares (Markush e Murcko scaffolds), cálculo de descritores moleculares de natureza físico-química, topológica, estrutural e eletrônica, bases de dados químicas e biológicas (PubChem, ChEMBL, DrugBank, ZINC), métodos de busca e triagem virtual baseada no ligante (ligand-based virtual screening) e de triagem virtual baseada na estrutura do receptor (receptor-based virtual screening);
4. Modelagem Molecular e Simulações Computacionais de Sistemas Biológicos: Fundamentos de mecânica molecular e mecânica quântica molecular, métodos de otimização de estruturas moleculares, modelagem de interações proteína-ligante (docking molecular), simulações de dinâmica molecular e conceitos chave (raio de corte, condições periódicas de contorno, RMSD, RMSF, raio de giro, caixas de grade, passos de integração e ensembles) e métodos de predição da estrutura de proteínas (ab initio, threading, homologia e inteligência artificial)
5. Inteligência Artificial em Quimioinformática: Introdução ao aprendizado de máquina aplicado à química (algoritmos supervisionados e não supervisionados), construção de modelos preditivos (QSAR/QSPR), redes neurais artificiais e aprendizado profundo (Deep Learning), aplicações em descoberta de fármacos e materiais.

Metodologia de ensino

A metodologia de ensino da disciplina integrará aulas teóricas expositivas, nas quais serão apresentados e discutidos os conceitos e métodos centrais de quimiometria, quimioinformática, modelagem molecular e inteligência artificial aplicados à bioprospecção, com aulas práticas em laboratório computacional utilizando softwares e ambientes especializados (como R, Python, AutoDock, Gaussian, ChemAxon Marvin Sketch e KNIME) para consolidação operacional e analítica dos conteúdos; ao longo do semestre, serão realizados estudos de caso e atividades orientadas à resolução de problemas reais de pesquisa, culminando no desenvolvimento de projetos práticos em grupo, nos quais os discentes deverão planejar e executar fluxos de trabalho completos — da obtenção e tratamento de dados à análise, modelagem e interpretação de resultados — com entrega de produtos técnicos, como relatórios e apresentações.

Avaliação

Relatórios de atividades práticas com pontuação de 7 (70%).
Prova teórica e prática com pontuação de 3 (30%).

Textos básicos

ROY, Kunal (Ed.). Cheminformatics, QSAR and Machine Learning Applications for Novel Drug Development. Academic Press, 2023.
ENGEL, Thomas; GASTEIGER, Johann (Eds.). Applied Chemoinformatics: Achievements and Future Opportunities. Wiley-VCH, 2018. DOI: 10.1002/9783527806539.
BARREIRO, E. J.; FRAGA, C. A. M. Química medicinal: As bases moleculares da ação dos fármacos. 2 ed. Artmed, 2008.
CORNELI, Cesar. Da Química Medicinal à Química Combinatória e Modelagem Molecular: Um Curso Prático. 2ª ed. Manole.

Textos complementares

ABRAHAM, D. J. (Ed.). Burger’s Medicinal Chemistry & Drug Discovery. 6 ed. Wiley, 2003. (6 volumes).
LEMKE, T. L.; WILLIAMS, D. A. (Eds.). Foye’s Principles of Medicinal Chemistry. 6 ed. Lippincott Williams & Wilkins, 2008.