Nuclear receptors are transcription factors involved in processes critical to human health and are a relevant target for toxicological risk assessment and the drug discovery process. Computational models can be a useful tool (i) to prioritize chemicals that can mimic natural hormones and thus be endocrine disruptors and (ii) to identify new possible lead for drug discovery. Therefore, the main goal of this project is to study potential interactions between chemicals and nuclear receptors, with the dual purpose of developing in silico tools to search for new modulators and to identify possible endocrine disrupting chemicals. After creating an exhaustive collection of nuclear receptor modulators, we applied machine learning methods to fill the data gap and prioritize modulators by building predictive models. In particular, modeling strategies included multi-tasking machine learning algorithms to investigate the complex relationships between chemicals and multiple nuclear receptors.

I recettori nucleari sono fattori di trascrizione coinvolti in processi critici per la salute umana e sono un obiettivo rilevante per la valutazione del rischio tossicologico e il processo di scoperta dei farmaci. I modelli computazionali possono essere uno strumento utile (i) per dare priorità alla sperimentazione di sostanze chimiche che possono imitare gli ormoni naturali e quindi essere interferenti endocrini e (ii) per identificare nuovi possibili candidati farmaci. Pertanto, l'obiettivo principale di questo progetto è quello di studiare le potenziali interazioni tra sostanze chimiche e recettori nucleari, con il duplice scopo di sviluppare strumenti in silico per la ricerca di nuovi modulatori e di identificare possibili sostanze chimiche che alterano il sistema endocrino. Dopo aver creato una collezione esaustiva di modulatori di recettori nucleari, abbiamo applicato metodi di apprendimento automatico per colmare il vuoto di dati e predire nuovi possibili modulatori tramite modelli predittivi. In particolare, le strategie di modellazione hanno incluso algoritmi di apprendimento automatico multi-tasking per indagare le complesse relazioni tra sostanze chimiche e diversi recettori nucleari.

(2022). Advancing the prediction of Nuclear Receptor modulators through machine learning methods. (Tesi di dottorato, Università degli Studi di Milano-Bicocca, 2022).

Advancing the prediction of Nuclear Receptor modulators through machine learning methods

VALSECCHI, CECILE
2022

Abstract

I recettori nucleari sono fattori di trascrizione coinvolti in processi critici per la salute umana e sono un obiettivo rilevante per la valutazione del rischio tossicologico e il processo di scoperta dei farmaci. I modelli computazionali possono essere uno strumento utile (i) per dare priorità alla sperimentazione di sostanze chimiche che possono imitare gli ormoni naturali e quindi essere interferenti endocrini e (ii) per identificare nuovi possibili candidati farmaci. Pertanto, l'obiettivo principale di questo progetto è quello di studiare le potenziali interazioni tra sostanze chimiche e recettori nucleari, con il duplice scopo di sviluppare strumenti in silico per la ricerca di nuovi modulatori e di identificare possibili sostanze chimiche che alterano il sistema endocrino. Dopo aver creato una collezione esaustiva di modulatori di recettori nucleari, abbiamo applicato metodi di apprendimento automatico per colmare il vuoto di dati e predire nuovi possibili modulatori tramite modelli predittivi. In particolare, le strategie di modellazione hanno incluso algoritmi di apprendimento automatico multi-tasking per indagare le complesse relazioni tra sostanze chimiche e diversi recettori nucleari.
BALLABIO, DAVIDE
ORLANDI, MARCO EMILIO
Nuclear receptors are transcription factors involved in processes critical to human health and are a relevant target for toxicological risk assessment and the drug discovery process. Computational models can be a useful tool (i) to prioritize chemicals that can mimic natural hormones and thus be endocrine disruptors and (ii) to identify new possible lead for drug discovery. Therefore, the main goal of this project is to study potential interactions between chemicals and nuclear receptors, with the dual purpose of developing in silico tools to search for new modulators and to identify possible endocrine disrupting chemicals. After creating an exhaustive collection of nuclear receptor modulators, we applied machine learning methods to fill the data gap and prioritize modulators by building predictive models. In particular, modeling strategies included multi-tasking machine learning algorithms to investigate the complex relationships between chemicals and multiple nuclear receptors.
Recettori nucleari; Chemiometria; QSAR; Reti neurali; Multitask learning
Nuclear receptors; Chemometrics; QSAR; Neural networks; Multitask learning
CHIM/01 - CHIMICA ANALITICA
English
SCIENZE CHIMICHE, GEOLOGICHE E AMBIENTALI
34
2020/2021
(2022). Advancing the prediction of Nuclear Receptor modulators through machine learning methods. (Tesi di dottorato, Università degli Studi di Milano-Bicocca, 2022).
File in questo prodotto:
File Dimensione Formato  
phd_unimib_748094.pdf

accesso aperto

Descrizione: Advancing the prediction of Nuclear Receptor modulators through machine learning methods
Tipologia di allegato: Doctoral thesis
Dimensione 13.64 MB
Formato Adobe PDF
13.64 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10281/356289
Citazioni
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
Social impact