|
|
Mechanistic and structural studies of the cGAS-STING signalling pathway
Vavřina, Zdeněk ; Maloy Řezáčová, Pavlína (vedoucí práce) ; Hudeček, Jiří (oponent) ; Kolenko, Petr (oponent)
Signální dráha synthasy cyklického GMP-AMP (cGAS) a Stimulátoru genů pro interferony (STING) má zásadní roli ve vrozeném imunitním systému. Dráha je aktivována dvouvláknovou DNA (dsDNA) z patogenních organismů nebo cyklickými dinukleotidy, které slouží jako druzí poslové bakterií. Aktivace dráhy spouští expresi interferonů I. typu a prozánětlivých cytokinů. Disertační práce zkoumá vztah mezi cGAS a jeho substráty, resp. proteinem STING a jeho agonisty, z mechanistického a strukturního hlediska. Enzym cGAS je živočišný vnitrobuněčný senzor dsDNA, jež po navázání DNA syntetizuje cyklický dinukleotid 2′,3′-cGAMP aktivující adaptorový protein STING. Kromě 2′,3′-cGAMP může být STING aktivován také 3′,3′-cyklickými dinukleotidy, které slouží jako druzí poslové v bakteriích. Zkoumali jsme různé dinukleotidcyklasy, abychom lépe porozuměli jejich substrátové specifitě a mohli je využít pro přípravu nových cyklických dinukleotidů aktivujících STING. Jako nejvhodnější pro přípravu 2′,3′-cyklických dinukleotidů jsme identifikovali myší cGAS. Dále jsme identifikovali enzymy DncV z Vibrio cholerae a DisA z Bacillus thuringiensis jako vhodné pro syntézu 3',3'-cyklických dinukleotidů. Tyto enzymy se vyznačují vysokou katalytickou aktivitou, schopností využívat modifikované nukleosid-5'-trifosfáty jako substrát a...
|
|
|
Methods for Predicting Drug Side Effects in Silico
Cicková, Pavlína ; Lexa,, Matej (oponent) ; Berka,, Karel (oponent) ; Provazník, Ivo (vedoucí práce)
Drug discovery is a field of contemporary science, which has encompassed the use of various computational methods. Wet lab approaches are costly and time-consuming and hence, in silico methods play an important role. Notwithstanding the progress of computational techniques applied in drug discovery in the last few decades, the great majority of the investigational compounds still do not succeed in reaching the final approval stage. Not only for this reason state-of-the-art drug design strategies focus on reinvestigating already approved drugs and drug similarity analyzes are crucial to consider. This work presents the development and application of a set of workflows created within the KNIME Analytics Platform which implements an approach using machine-learning methods for drug side effect prediction. The presented set of workflows deals with data retrieval, pre-processing, similarity metrics computation and data exploratory analysis. Consequently, classification models are applied to predict specific side effects of drugs. The prediction is based on similarity-based techniques. Structural and other similarities of approved drug molecules were used to train the decision tree models for the prediction of potential drug-side effect associations. The main advantage of the work is the re-usability of the applied techniques. Our set of workflows provides an environment allowing for new research questions in terms of drug similarity to be addressed. Moreover, as the workflows created within KNIME Analytics Platform provide a user-friendly graphical interface, users do not require any advanced experience in machine learning or programming to perform their studies using the designed workflows.
|
|
|
Network Analysis Of Drugs Used To Treat Schizophrenia
Musilová, Jana
The aim of this study is a designation of a multitarget drug for a treatment of schizophrenia with the least number of adverse drug interactions. Using Cytoscape software and DrugBank database we have examined currently used schizophrenia drugs and their targets in human body. The acquired knowledge led to a design of an antipsychotic type of a drug chemically based on benzenoids or azacyclic compounds with better overall characteristics.
|
host ::
RSS.