Projectdetails
!!Description
Antiretrovirale geneesmiddelenresistentie (ADR)-mutaties worden momenteel hetzij in vitro, met behulp van dure experimenten, hetzij in vivo, in een populatie van naïeve of behandelde personen, onderzocht. Enerzijds is de in vitro benadering geen realistisch scenario, aangezien de experimentele omstandigheden slechts een vertekend beeld opleveren, met een beperkte weergave van de evolutie van het virus bij de patiënt (bv. verschillende subtypes en individuele variatie inzake immuunrespons). Anderzijds biedt in vivo onderzoek alleen de mogelijkheid om mutaties te traceren na het ontstaan ervan, d.w.z. wanneer het te laat is om preventieve volksgezondheidsmaatregelen te kunnen nemen. Tot nu toe berustte het onderzoek naar HIV-1 geneesmiddelenresistentie vooral op klinisch onderzoek en datamining, waarbij kunstmatige intelligentie een beperkte rol speelde.
Gezien de recente vooruitgang in artificiële intelligentie, is er een belangrijk potentieel om resistentie
resistentie tegen antivirale verbindingen te bestuderen door een combinatie van computationele methoden waarbij rekening wordt gehouden met virale evolutie, eiwitstructuren en moleculaire docking. Een dergelijke aanpak zou de voorspelling van geneesmiddelenresistentie mutaties direct in silica vergemakkelijken.
Onze algemene doelstelling is een computationele methode te ontwikkelen om antivirale resistentiemutaties tegen toekomstige opkomende virussen of virusvarianten te voorspellen, rekening houdend met het effect van selectieve druk van antivirale verbindingen, door rekening te houden met de eiwitstructuur van het virus en de moleculaire structuur van het geneesmiddel.
De specifieke doelstellingen omvatten het voorspellen van de eiwitvouwing van virale varianten, het simuleren van de docking van virale eiwitten met antivirale verbindingen, het berekenen van fitnessfuncties van virale varianten in aanwezigheid van antivirale verbindingen, en het gebruiken van deze fitnessfuncties om de evolutie van virale varianten en het mogelijke ontstaan van antivirale resistentiemutaties te simuleren.
Hoewel het ons doel is een methode te ontwikkelen die kan worden gebruikt om het ontstaan van nieuwe resistentiemutaties in de context van verschillende virussen te voorspellen, zullen wij de methode evalueren in de context van HIV. HIV is consequent gebruikt als een onderzoeksmodel in verschillende contexten, gezien de overvloed aan beschikbare gegevens voor HIV-onderzoek en de kennis die in de loop der jaren is verzameld.
Gezien de recente vooruitgang in artificiële intelligentie, is er een belangrijk potentieel om resistentie
resistentie tegen antivirale verbindingen te bestuderen door een combinatie van computationele methoden waarbij rekening wordt gehouden met virale evolutie, eiwitstructuren en moleculaire docking. Een dergelijke aanpak zou de voorspelling van geneesmiddelenresistentie mutaties direct in silica vergemakkelijken.
Onze algemene doelstelling is een computationele methode te ontwikkelen om antivirale resistentiemutaties tegen toekomstige opkomende virussen of virusvarianten te voorspellen, rekening houdend met het effect van selectieve druk van antivirale verbindingen, door rekening te houden met de eiwitstructuur van het virus en de moleculaire structuur van het geneesmiddel.
De specifieke doelstellingen omvatten het voorspellen van de eiwitvouwing van virale varianten, het simuleren van de docking van virale eiwitten met antivirale verbindingen, het berekenen van fitnessfuncties van virale varianten in aanwezigheid van antivirale verbindingen, en het gebruiken van deze fitnessfuncties om de evolutie van virale varianten en het mogelijke ontstaan van antivirale resistentiemutaties te simuleren.
Hoewel het ons doel is een methode te ontwikkelen die kan worden gebruikt om het ontstaan van nieuwe resistentiemutaties in de context van verschillende virussen te voorspellen, zullen wij de methode evalueren in de context van HIV. HIV is consequent gebruikt als een onderzoeksmodel in verschillende contexten, gezien de overvloed aan beschikbare gegevens voor HIV-onderzoek en de kennis die in de loop der jaren is verzameld.
Acroniem | OZRIFTM14 |
---|---|
Status | Actief |
Effectieve start/einddatum | 1/10/22 → 30/09/26 |
Keywords
- artificial intelligence
- computational biology
- drug resistance
- HIV-1
- molecular dynamics
- deep learning
Flemish discipline codes in use since 2023
- Artificial intelligence not elsewhere classified
Vingerafdruk
Verken de onderzoeksgebieden die bij dit project aan de orde zijn gekomen. Deze labels worden gegenereerd op basis van de onderliggende prijzen/beurzen. Samen vormen ze een unieke vingerafdruk.