Tópicos abordados

• Introdução à Toxicidade In Silico
• Modelos preditivos de toxicidade e de outras propriedades de interesse: riscos, alvos, classificação, doses, similaridades. Ferramentas gratuitas a serem abordadas: ProTox, SuperPred, eMolTox, SwissADME, PredSkin, Pred-hERG.
• Irritação cutânea: Definição e mecanismos biológicos. Relevância para cosméticos, fármacos e produtos químicos. Base de dados pública relevante (ex.: OECD QSAR Toolbox, ToxCast, ECHA).
• Representação Molecular e Descritores: introdução de RDKit e Dragon. Formatos de moléculas (SMILES, SDF, Mol2, etc.). RDKit: Introdução e instalação no Google Colab. Como visualizar moléculas e gerar descritores básicos.
• Construção do Dataset e Modelagem Preditiva: criação de um modelo simples para prever irritação cutânea.
• Como formatar dados para Machine Learning (CSV com colunas: SMILES + toxicidade). Pré-processamento dos dados: Transformação de SMILES em descritores.
• Criação do modelo de IA simples: Uso de Random Forest ou Logistic Regression. Treinamento e avaliação do modelo.
• Testando o Modelo e Predizendo Novas Moléculas: fazer previsões com novas moléculas e discutir limitações do modelo.
• Introdução ao Integrated Chemical Environment (ICE) e suas ferramentas: Search, Curve Surfer, PBPK, IVIVE e Chemical Quest. Apresentação da base de dados High-Throughput Screening (HTS), composta por informações in vitro e in vivo dos programas Tox21 e ToxCast para diversas substâncias químicas. Explicação do processo de curadoria de dados, incluindo controle de qualidade químico e ajustes de curvas. Associação de ensaios a alvos mecanísticos e sua relevância para a toxicologia regulatória. Exploração prática do ICE e de suas ferramentas, com demonstração do uso do Search para busca de compostos e dados, Curve Surfer para análise de curvas dose-resposta e PBPK e IVIVE para modelagem toxicológica.
• Introdução ao Modeling and Visualization Pipeline (MoVIZ), que visa democratizar os métodos de quimioinformática para não especialistas e simplificar sua aplicação para a comunidade.
• A primeira ferramenta do MoVIZ é um fluxo de trabalho KNIME para facilitar o agrupamento químico usando métodos de aprendizado de máquina supervisionados e não supervisionados. Esta ferramenta visa auxiliar pesquisadores na avaliação da diversidade química dos conjuntos de dados, obtenção de informações sobre os mecanismos de ação, extração de relações estrutura-atividade e priorização de substâncias químicas para testes experimentais. Serão apresentados estudos de caso com aplicações práticas para ilustrar o uso destas ferramentas.