Publicación:
Identificación de moléculas naturales con potencial actividad antibacteriana, contra bacterias gram positivas, a través del análisis in silico de propiedades fisicoquímicas de dos librerías de compañías farmacéuticas

Página de artículo simple
dc.contributor.authorCortez Gómez, Frank L.spa
dc.contributor.corporatenameRondón Villarreal, Paolaspa
dc.date.accessioned2018-11-27T15:49:19Zspa
dc.date.available2018-11-27T15:49:19Zspa
dc.date.issued2018-06-26spa
dc.description125 p. Cdspa
dc.description.abstractAntibiotic resistance is a threat to human health, with increasing reports of multiple resistant multidrug bacteria and few advances in research for more than 20 years (Kelley et al., 2011). In the search for a solution, molecules of natural origin can be a good alternative for the appearance of new antibiotics (Taylor, 2013). In addition, rational drug design allows the in silico analysis of molecules by computational tools, and this can increase the chances of identifying biologically effective compounds of natural origin against bacteria. Among these in silico tools, there are QSAR techniques that analyze the relationship between structure and biological activity, in models to predict the activity of a molecule (Cox et al., 2013, Soukup et al., 2016). On the other hand, the use of computational tools such as QSAR, also allows to calculate physicochemical kind, electrophysical properties, possible interactions, binding sites, drug-eligibility and toxicity, through the use of mathematical models and statistical tools that allow the analysis of a large amount of data (Shin et al., 2017; McPhillie et al., 2015; Cherkasov et al., 2014). Therefore, in this degree work, computational tools were used to establish design rules (in the absence of clear rules for this purpose) for molecules with antibacterial activity against gram-positive and drug-eligible bacteria, which were subsequently used to select natural molecules from the bookshop of the Interbioscreen company with potential antibacterial activity (https://www.ibscreen.com/natural-compounds). The use of these computational tools allowed to significantly reduce the space of possible molecules to be analyzed in future experimental tests, going from a set of 66,107 possible molecules to just a list of 257 candidate molecules.eng
dc.description.abstractLa resistencia a los antibióticos es una amenaza a la salud humana, con reportes crecientes de múltiples bacterias multidrogo resistentes y pocos avances en investigación desde hace más de 20 años (Kelley et al., 2011). En la búsqueda de una solución, las moléculas de origen natural pueden ser una buena alternativa para la aparición de nuevos antibióticos (Taylor, 2013). Además, el diseño racional de medicamentos permite el análisis in silico de moléculas mediante herramientas computacionales, y esto puede aumentar las probabilidades de identificar compuestos de origen natural biológicamente efectivos contra bacterias. Entre estas herramientas in silico, se encuentran las técnicas QSAR que analizan la relación entre estructura y actividad biológica, en modelos para predecir la actividad de una molécula (Cox et al., 2013, Soukup et al., 2016). Por otra parte, el uso de herramientas computacionales como QSAR, también permite calcular las propiedades fisicoquímicas, electrofísicas, posibles interacciones, sitios de unión, fármaco-elegibilidad y toxicidad, mediante el uso de modelos matemáticos y herramientas estadísticas que permiten el análisis de una gran cantidad de datos (Shin et al., 2017; McPhillie et al., 2015; Cherkasov et al., 2014). Por lo anterior, en este trabajo de grado se utilizaron herramientas computacionales para establecer reglas de diseño (a falta de reglas claras oara este fin) para moléculas con actividad antibacteriana contra bacterias gram-positivas y fármaco elegibles, que posteriormente fueron utilizadas para seleccionar moléculas naturales de la librería de la compañía Interbioscreen con potencial actividad antibacteriana (https://www.ibscreen.com/natural-compounds). El uso de estas herramientas computacionales permitió reducir significativamente el espacio de posibles moléculas a analizar en futuras pruebas experimentales, pasando de un conjunto de 66.107 posibles moléculas a tan sólo una lista de 257 moléculas candidatas.spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagister en Investigación en enfermedades Infecciosasspa
dc.description.tableofcontentsTABLA DE CONTENIDO INTRODUCCIÓN 1 ASPECTOS FUNDAMENTALES DE DISEÑO DE ANTIBIÓTICOS 2 1.1. FARMACOLOGÍA GENERAL Y FARMACOLOGÍA DE LOS ANTIBIOTICOS 2 1.1.1 Farmacocinética y farmacodinamia 2 1.1.1.1 Paso a través de membranas celulares 3 1.1.1.2 Transporte pasivo a través de las membranas 4 1.1.1.3 Electrólitos e influencia del pH 5 1.1.1.4 Transporte por la membrana mediado por transportadores. 5 1.1.2 Diseño de medicamentos y absorción oral 6 1.1.3 Absorción oral de medicamentos más allá de las 5 reglas de Lipinski 7 1.1.4 Relación entre el blanco y las propiedades fisicoquímicas de los fármacos antibacterianos 8 1.1.5 Panorama actual del desarrollo de antibióticos, retos y nuevos desarrollos 10 1.1.6 Barrera de permeabilidad en Gram Negativos 11 1.1.7 Resistencia a múltiples antibióticos 13 1.1.8 Bacterias multidrogo resistentes 15 1.1.9 Diseño de medicamentos asistido por computador 16 1.1.10 Descriptores moleculares 19 1.1.11 El proceso del diseño de fármacos basado en la estructura 19 1.1.12 Moléculas naturales como potenciales medicamentos y antibióticos 23 1.1.13 Efecto sinérgico de antibióticos y extractos de plantas 26 2. OBJETIVOS 28 3. MATERIALES Y MÉTODOS 29 3.1. MATERIALES 29 3.1.1. Librería de compuestos 29 3.1.2. Librerías de código y software 29 3.2. MÉTODOS 30 3.2.1 Creación de grupos de antibióticos 30 3.2.2. Cálculo de los descriptores moleculares de los compuestos de cada librería 30 3.2.3. Selección de los descriptores moleculares más utilizados en el diseño de antibióticos asistido por computador 35 3.2.4 Análisis de los datos 38 3.2.5 Creación de las reglas de diseño de antibióticos 38 3.2.6 Selección de las moléculas naturales 39 4. RESULTADOS 40 4.1 Principales descriptores moleculares en los grupos de antibióticos aprobados por la FDA 40 4.1.1. Clasificación por vía de administración 40 4.1.2 Clasificación por espectro 41 4.1.3. Clasificación por blanco 42 4.1.4. Clasificación por familias 44 4.2 Principales descriptores moleculares en las librerías de compuestos de las compañías Asinex e Interbioscreen 45 4.3. Reglas sugeridas para el diseño computacional de antibióticos 47 4.3.1 Reglas para antibióticos de administración endovenosa 47 4.3.2. Reglas para antibióticos de administración oral 47 4.3.3. Reglas para antibióticos que actúan sobre Riboproteínas 48 4.3.4. Reglas para antibióticos que actúan sobre proteinas individuales 48 4.3.5. Reglas para antibióticos que actúan sobre complejos de proteinas 48 4.3.6. Reglas para antibióticos que actúan contra bacterias gram positivas 49 4.3.7 Reglas para antibióticos que actúan contra bacterias gram negativas 49 4.3.8. Resumen de las reglas propuestas para el diseño de antibióticos 50 4.3.9. Lista de otros descriptores que pueden ser útiles para seleccionar moléculas con posible actividad contra bacterias gram positivas 50 4.4. Selección de moléculas naturales utilizando las reglas propuestas 55 4.4.1. Moléculas candidatas para antibióticos de administración endovenosa 55 4.4.2. Moléculas candidatas para ser antibióticos de administración oral 55 4.4.3 Moléculas candidatas para ser antibióticos que atacan riboproteínas 51 4.4.4 Moléculas candidatas para ser antibióticos que atacan proteínas individuales 55 4.4.5. Moléculas candidatas para ser antibióticos que atacan complejos de proteinas 55 4.4.6. Moléculas candidatas para ser antibióticos que atacan bacterias gram positivas 55 4.4.7. Moléculas candidatas para ser antibióticos que atacan bacterias gram negativas 55 4.4.8. Moléculas candidatas para ser antibióticos que atacan bacterias gram positivas y de administracion endovenosa 56 4.4.9. Lista sugerida de moléculas con actividad contra bacterias gram positivas 56 5. DISCUSIÓN 60 5.1. Clasificación por vía de adminstración 61 5.2. Clasificación por espectro 64 5.3. Clasificación por blanco 65 5.4. Clasificación por familias de antibióticos 65 5.5. Aplicación de otros descriptores que pueden ser útiles para seleccionar moléculas con posible actividad contra bacterias gram positivas 66 6. CONCLUSIONES 68 7. REFERENCIAS 69 8. ANEXOS 76spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.localT 86.18 C678ispa
dc.identifier.urihttps://repositorio.udes.edu.co/handle/001/653spa
dc.language.isospaspa
dc.publisherBucaramanga : Universidad de Santander, 2018spa
dc.publisher.facultyFacultad Ciencias de la Saludspa
dc.publisher.programMaestría en Investigación en enfermedades Infecciosasspa
dc.relation.referencesAmabile-Cuevas, C. (2010). Antibiotic resistance in Mexico: a brief overview of the current status and its causes. The Journal of Infection in Developing Countries, 4(03), 126-131.spa
dc.relation.referencesAnderson, A. C. (2003). The process of structure-based drug design.Chemistry & biology, 10(9), 787-797.spa
dc.relation.referencesAlmeida Da Silva, P. E., & Palomino, J. C. (2011). Molecular basis and mechanisms of drug resistance in Mycobacterium tuberculosis: classical and new drugs. J Antimicrob Chemother, 66(7), 1417-1430. doi:10.1093/jac/dkr173spa
dc.relation.referencesBarlow, D. J., Buriani, A., Ehrman, T., Bosisio, E., Eberini, I., & Hylands, P. J. (2012). In-silico studies in Chinese herbal medicines’ research: evaluation of in-silico methodologies and phytochemical data sources, and a review of research to date. Journal of ethnopharmacology, 140(3), 526-534.spa
dc.relation.referencesBettiol, E., Wetherington, J. D., Schmitt, N., & Harbarth, S. (2015). Challenges and solutions for clinical development of new antibacterial agents: results of a survey among pharmaceutical industry professionals. Antimicrobial agents and chemotherapy, 59(7), 3695-3699.spa
dc.relation.referencesO'Boyle, N. M., Morley, C., & Hutchison, G. R. (2008). Pybel: a Python wrapper for the OpenBabel cheminformatics toolkit. Chemistry Central Journal, 2(1), 5.spa
dc.relation.referencesBueso-Bordils, J. I., Perez-Gracia, M. T., Suay-Garcia, B., Duart, M. J., Martin Algarra, R. V., Lahuerta Zamora, L., Aleman Lopez, P. A. (2017). Topological pattern for the search of new active drugs against methicillin resistant Staphylococcus aureus. Eur J Med Chem, 138, 807-815. doi:10.1016/j.ejmech.2017.07.010spa
dc.relation.referencesCoates, A. R., Halls, G., & Hu, Y. (2011). Novel classes of antibiotics or more of the same? Br J Pharmacol, 163(1), 184-194. doi:10.1111/j.1476-5381.2011.01250.spa
dc.relation.referencesCoppo, E., & Marchese, A. (2014). Antibacterial activity of polyphenols. Current pharmaceutical biotechnology, 15(4), 380-390.spa
dc.relation.referencesChang, H. H., Cohen, T., Grad, Y. H., Hanage, W. P., O'Brien, T. F., & Lipsitch, M. (2015). Origin and proliferation of multiple-drug resistance in bacterial pathogens. Microbiol Mol Biol Rev, 79(1), 101-116. doi:10.1128/MMBR.00039-14spa
dc.relation.referencesChen, T. C., Lu, P. L., Lin, C. Y., Lin, W. R., & Chen, Y. H. (2011). Fluoroquinolones are associated with delayed treatment and resistance in tuberculosis: a systematic review and meta-analysis. Int J Infect Dis, 15(3), e211-216. doi:10.1016/j.ijid.2010.11.008spa
dc.relation.referencesChen, L.; Xin, X.; Yuan, Q.; Su, D.; Liu, W. Phytochemical properties and antioxidant capacities of various colored berries. J. Sci. Food Agric., 2014, 94(2), 180-188spa
dc.relation.referencesClark, D. E., Doherty, A. M., Bock, M. G., Desai, M. C., Overington, J., Plattner, J. J., ... & Young, H. (2005). Computational prediction of blood-brain barrier permeation. Annual reports in medicinal chemistry, 40, 403.spa
dc.relation.referencesClatworthy, A. E., Pierson, E., & Hung, D. T. (2007). Targeting virulence: a new paradigm for antimicrobial therapy. Nature chemical biology, 3(9), 541-548.spa
dc.relation.referencesDudek, A. Z., Arodz, T., & Gálvez, J. (2006). Computational methods in developing quantitative structure-activity relationships (QSAR): a review. Combinatorial chemistry & high throughput screening, 9(3), 213-228.spa
dc.relation.referencesCherkasov, A., Muratov, E. N., Fourches, D., Varnek, A., Baskin, II, Cronin, M., Tropsha, A. (2014). QSAR modeling: where have you been? Where are you going to? J Med Chem, 57(12), 4977-5010. doi:10.1021/jm4004285spa
dc.relation.referencesCox R., Darren V.S., Green C., Luscombe C.N., Malcolm N., Pickett S.D. (2013). QSAR workbench: automating QSAR modeling to drive compound design. J Comput Aided Mol Des, 27, 321-336. doi: 10.1007/s10822-013-9648-4spa
dc.relation.referencesde Ruyck, J., Brysbaert, G., Blossey, R., & Lensink, M. F. (2016). Molecular docking as a popular tool in drug design, an in silico travel. Advances and applications in bioinformatics and chemistry: AABC, 9, 1.spa
dc.relation.referencesDoak, B. C., Over, B., Giordanetto, F., & Kihlberg, J. (2014). Oral druggable space beyond the rule of 5: insights from drugs and clinical candidates. Chemistry & biology, 21(9), 1115-1142.spa
dc.relation.referencesEbejer, J. P., Charlton, M. H., & Finn, P. W. (2016). Are the physicochemical properties of antibacterial compounds really different from other drugs?. Journal of cheminformatics, 8(1), 30.spa
dc.relation.referencesEl Haj, C., Murillo, O., Ribera, A., Vivas, M., Garcia-Somoza, D., Tubau, F., ... & Ariza, J. (2015). Daptomycin combinations as alternative therapies in experimental foreign-body infection caused by meticillin-susceptible Staphylococcus aureus. International journal of antimicrobial agents, 46(2), 189-195.spa
dc.relation.referencesEren, E., Parkin, J., Adelanwa, A., Cheneke, B., Movileanu, L., Khalid, S., & Van den Berg, B. (2013). Toward understanding the outer membrane uptake of small molecules by Pseudomonas aeruginosa. Journal of Biological Chemistry, 288(17), 12042-12053.spa
dc.relation.referencesFujimura, S., Sato, T., Hayakawa, S., Kawamura, M., Furukawa, E., & Watanabe, A. (2015). Antimicrobial efficacy of combined clarithromycin plus daptomycin against biofilms-formed methicillin-resistant Staphylococcus aureus on titanium medical devices. Journal of Infection and Chemotherapy, 21(10), 756-759.spa
dc.relation.referencesGhose, A. K., Herbertz, T., Hudkins, R. L., Dorsey, B. D., & Mallamo, J. P. (2011). Knowledge-based, central nervous system (CNS) lead selection and lead optimization for CNS drug discovery. ACS chemical neuroscience, 3(1), 50-68.spa
dc.relation.referencesGoodman and Gilman. Las bases farmacológicas de la terapéutica. McGraw-Hill Interamericana. Undécima edición, 2014, p. 2017.spa
dc.relation.referencesGupta, K., Hooton, T. M., Naber, K. G., Wullt, B., Colgan, R., Miller, L. G., . . . Infectious, D. (2011). International clinical practice guidelines for the treatment of acute uncomplicated cystitis and pyelonephritis in women: A 2010 update by the Infectious Diseases Society of America and the European Society for Microbiology and Infectious Diseases. Clin Infect Dis, 52(5), e103-120. doi:10.1093/cid/ciq257spa
dc.relation.referencesHingley-Wilson, S. M., Casey, R., Connell, D., Bremang, S., Evans, J. T., Hawkey, P. M., . . . Lalvani, A. (2013). Undetected multidrug-resistant tuberculosis amplified by first-line therapy in mixed infection. Emerg Infect Dis, 19(7), 1138-1141. doi:10.3201/1907.130313spa
dc.relation.referencesHaque N. Z., Zuniga, L. C., Peyrani, P., Reyes, K., Lamerato, L., Moore, C. L. Improving Medicine through Pathway Assessment of Critical Therapy of Hospital-Acquired Pneumonia, I. (2010). Relationship of vancomycin minimum inhibitory concentration to mortality in patients with methicillin-resistant Staphylococcus aureus hospital-acquired, ventilator-associated, or health-care-associated pneumonia. Chest, 138(6), 1356-1362. doi:10.1378/chest.09-2453spa
dc.relation.referencesHouse, W. (2015). National action plan for combating antibiotic-resistant bacteria. Washington, DC.spa
dc.relation.referencesHu, L., Cao, J., Xu, G., Cao, L., Gu, Z., & Zhu, C. (2013, May). Personalized recommendation via cross-domain triadic factorization. In Proceedings of the 22nd international conference on World Wide Web (pp. 595-606). ACM.spa
dc.relation.referencesInfectious Diseases Society of America. (2010). The 10×'20 Initiative: pursuing a global commitment to develop 10 new antibacterial drugs by 2020. Clinical Infectious Diseases, 50(8), 1081-1083.spa
dc.relation.referencesJarvis R.M., Broadhurst D., Johnson H., O'Boyle N.M., Goodacre R. (2006). PYCHEM: a multivariate analysis package for python. Bioinformatics, 22 (20), 2565-2566. doi: 10.1093/bioinformatics/btl416spa
dc.relation.referencesKoser, C. U., Fraser, L. J., Ioannou, A., Becq, J., Ellington, M. J., Holden, M. T., . . . Peacock, S. J. (2014). Rapid single-colony whole-genome sequencing of bacterial pathogens. J Antimicrob Chemother, 69(5), 1275-1281. doi:10.1093/jac/dkt494spa
dc.relation.referencesKelley, P. G., Gao, W., Ward, P. B., & Howden, B. P. (2011). Daptomycin non-susceptibility in vancomycin-intermediate Staphylococcus aureus (VISA) and heterogeneous-VISA (hVISA): implications for therapy after vancomycin treatment failure. J Antimicrob Chemother, 66(5), 1057-1060. doi:10.1093/jac/dkr066spa
dc.relation.referencesKlevens, R. M., Morrison, M. A., Nadle, J., Petit, S., Gershman, K., Ray, S., Active Bacterial Core surveillance, M. I. (2007). Invasive methicillin-resistant Staphylococcus aureus infections in the United States. JAMA, 298(15), 1763-1771. doi:10.1001/jama.298.15.1763spa
dc.relation.referencesKuok, C. F., Hoi, S. O., Hoi, C. F., Chan, C. H., Fong, I. H., Ngok, C. K., ... & Fong, P. (2017). Synergistic antibacterial effects of herbal extracts and antibiotics on methicillin-resistant Staphylococcus aureus: A computational and experimental study. Experimental Biology and Medicine, 242(7), 731-743.spa
dc.relation.referencesLeeson, P. D., & Davis, A. M. (2004). Time-related differences in the physical property profiles of oral drugs. Journal of medicinal chemistry, 47(25), 6338-6348.spa
dc.relation.referencesLi, X. Z., Plésiat, P., & Nikaido, H. (2015). The challenge of efflux-mediated antibiotic resistance in Gram-negative bacteria. Clinical microbiology reviews, 28(2), 337-418.spa
dc.relation.referencesLipinski, C. A., Lombardo, F., Dominy, B. W., & Feeney, P. J. (2001). Experimental and computational approaches to estimate solubility and permeability in drug discovery and development settings. Advanced drug delivery reviews, 46(1-3), 3-26.spa
dc.relation.referencesLind, K. E., Du, Z., Fujinaga, K., Peterlin, B. M., & James, T. L. (2002). Structure-based computational database screening, in vitro assay, and NMR assessment of compounds that target TAR RNA. Chemistry & biology, 9(2), 185-193.spa
dc.relation.referencesMalani, P. N. (2014). National burden of invasive methicillin-resistant Staphylococcus aureus infection. Jama, 311(14), 1438-1439.spa
dc.relation.referencesMatthew A. Cooper & David Shlaes. Fix the antibiotics pipeline. Nature 472, 32 (07 April 2011) DOI:10.1038/472032a. Coments.spa
dc.relation.referencesMugumbate, G., & Overington, J. P. (2015). The relationship between target-class and the physicochemical properties of antibacterial drugs. Bioorganic & medicinal chemistry, 23(16), 5218-5224.spa
dc.relation.referencesMcPhillie, M. J., Cain, R. M., Narramore, S., Fishwick, C. W., & Simmons, K. J. (2015). Computational methods to identify new antibacterial targets. Chem Biol Drug Des, 85(1), 22-29. doi:10.1111/cbdd.12385spa
dc.relation.referencesNissen, P., Hansen, J., Ban, N., Moore, P. B., & Steitz, T. A. (2000). The structural basis of ribosome activity in peptide bond synthesis. Science, 289(5481), 920-930.spa
dc.relation.referencesNguyen, D. B.; Lessa, F. C.; Belflower, R.; Mu, Y.; Wise, M.; Nadle, J.; Bamberg, W. M.; Petit, S.; Ray, S. M.; Harrison, L. H.; Lynfield, R.; Dumyati, G.; Thompson, J.; Schaffner, W.; Patel, P. R. Program, E. I. Invasive methicillin-resistant Staphylococcus aureus infections among patients on chronic dialysis in the United States, 2005−2011. Clin. Infect. Dis. 2013, 10, 1393−1400.spa
dc.relation.referencesPage, M. G., Dantier, C., & Desarbre, E. (2010). In vitro properties of BAL30072, a novel siderophore sulfactam with activity against multiresistant gram-negative bacilli. Antimicrobial agents and chemotherapy, 54(6), 2291-2302.spa
dc.relation.referencesPoupard J.A. (2005). Is the Pharmaceutical Industry Responding to the Challenge of Increasing Bacterial Resistance?. Clin Microbiol Newsl, 28(2), 13-15. doi:10.1016/j.clinmicnews.2005.12.008spa
dc.relation.referencesProjan, S. J., & Bradford, P. A. (2007). Late stage antibacterial drugs in the clinical pipeline. Current opinion in microbiology, 10(5), 441-446.spa
dc.relation.referencesProjan S.J. (2003). Why is big Pharma getting out of antibacterial drug discovery?. Curr Opin Microbiol, 6(5), 427-430. doi: 10.1016/j.mib.2003.08.003spa
dc.relation.referencesRaj, K. K., Ganesh Kumar, V., Leela Madhuri, C., Mathi, P., Durga Lakshmi, R., Ravi, M., Ramachandran, D. (2015). Designing of potential inhibitors against Staphylococcus aureus sortase A: Combined analogue and structure based approach with in vitro validation. J Mol Graph Model, 60, 89-97. doi:10.1016/j.jmgm.2015.05.009spa
dc.relation.referencesSchalk, I. J., Mislin, G. L., & Brillet, K. (2012). Structure, function and binding selectivity and stereoselectivity of siderophore–iron outer membrane transporters. In Current topics in membranes (Vol. 69, pp. 37-66). Academic Press.spa
dc.relation.referencesShin, W. H., Christoffer, C. W., & Kihara, D. (2017). In silico structure-based approaches to discover protein-protein interaction-targeting drugs. Methods, 131, 22-32. doi:10.1016/j.ymeth.2017.08.006spa
dc.relation.referencesSilver, L. L. (2011). Challenges of antibacterial discovery. Clinical microbiology reviews, 24(1), 71-109.spa
dc.relation.referencesShore, C. K., & Coukell, A. (2016). Roadmap for antibiotic discovery. Nat Microbiol, 1(6), 16083.spa
dc.relation.referencesSoukup, O., Dolezal, R., Malinak, D., Marek, J., Salajkova, S., Pasdiorova, M., Kuca, K. (2016). Synthesis, antimicrobial evaluation and molecular modeling of 5-hydroxyisoquinolinium salt series; the effect of the hydroxyl moiety. Bioorg Med Chem, 24(4), 841-848. doi:10.1016/j.bmc.2016.01.006Shortridge, M. D., & Varani, G. (2015). Structure based approaches for targeting non-coding RNAs with small molecules. Current opinion in structural biology, 30, 79-88.spa
dc.relation.referencesStefani, S., Chung, D. R., Lindsay, J. A., Friedrich, A. W., Kearns, A. M., Westh, H., & MacKenzie, F. M. (2012). Meticillin-resistant Staphylococcus aureus (MRSA): global epidemiology and harmonisation of typing methods. International journal of antimicrobial agents, 39(4), 273-282.spa
dc.relation.referencesShortridge, M. D., & Varani, G. (2015). Structure based approaches for targeting non-coding RNAs with small molecules. Current opinion in structural biology, 30, 79-88.spa
dc.relation.referencesTaylor, P. W. (2013). Alternative natural sources for a new generation of antibacterial agents. Int J Antimicrob Agents, 42(3), 195-201. doi:10.1016/j.ijantimicag.2013.05.004spa
dc.relation.referencesVan Rie, A., Victor, T. C., Richardson, M., Johnson, R., van der Spuy, G. D., Murray, E. J., . . . Warren, R. M. (2005). Reinfection and mixed infection cause changing Mycobacterium tuberculosis drug-resistance patterns. Am J Respir Crit Care Med, 172(5), 636-642. doi:10.1164/rccm.200503-449OCspa
dc.relation.referencesVan den Berg, B. (2012). Structural basis for outer membrane sugar uptake in pseudomonads. Journal of Biological Chemistry, 287(49), 41044-41052.spa
dc.relation.referencesVeber, D. F., Johnson, S. R., Cheng, H. Y., Smith, B. R., Ward, K. W., & Kopple, K. D. (2002). Molecular properties that influence the oral bioavailability of drug candidates. Journal of medicinal chemistry, 45(12), 2615-2623.spa
dc.relation.referencesVentola, C. L. (2015). The antibiotic resistance crisis: part 1: causes and threats. Pharmacy and Therapeutics, 40(4), 277.spa
dc.relation.referencesWang, L., Le, X., Li, L., Ju, Y., Lin, Z., Gu, Q., & Xu, J. (2014). Discovering new agents active against methicillin-resistant Staphylococcus aureus with ligand-based approaches. Journal of chemical information and modeling, 54(11), 3186-3197.spa
dc.relation.referencesWilliams, K. J., & Bax, R. P. (2009). Challenges in developing new antibacterial drugs. Curr Opin Investig Drugs, 10(2), 157-63.spa
dc.relation.referencesXu, J., & Hagler, A. (2002). Chemoinformatics and drug discovery. Molecules, 7(8), 566-600.spa
dc.relation.referencesZgurskaya, H. I., López, C. A., & Gnanakaran, S. (2015). Permeability barrier of Gram-negative cell envelopes and approaches to bypass it. ACS infectious diseases, 1(11), 512-522.spa
dc.relation.referencesZhanel G.G., Sniezek G., Schweizer F., Zelenitsky S., Lagacé-Wiens P.R.S., Rubinstein E., Gin A.S., Hoban D.J., Karlowsky J.A. (2009). Ceftalorine A Novel Broad-Spectrum Cephalosporin with Activity against Meticillin-Resistant Staphylococcus aureus. Drugs, 69(7), 809-831. doi: 10.2165/00003495-200969070-00003.spa
dc.relation.referencesZuo, G. Y., Zhang, X. J., Yang, C. X., Han, J., Wang, G. C., & Bian, Z. Q. (2012). Evaluation of traditional Chinese medicinal plants for anti-MRSA activity with reference to the treatment record of infectious diseases. Molecules, 17(3), 2955-2967.spa
dc.rightsDerechos Reservados - Universidad de Santander, 2018spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.proposalAntibióticosspa
dc.subject.proposalAntibacterianosspa
dc.subject.proposalPropiedades fisicoquímicasspa
dc.subject.proposalDescriptores molecularesspa
dc.subject.proposalDiseño computacionalspa
dc.titleIdentificación de moléculas naturales con potencial actividad antibacteriana, contra bacterias gram positivas, a través del análisis in silico de propiedades fisicoquímicas de dos librerías de compañías farmacéuticasspa
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TMspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
Archivos
Paquete original
Mostrando 1 - 1 de 1
Imagen en miniatura
Nombre:
Identificación de moléculas naturales con potencial actividad antibacteriana, contra bacterias gram positivas, a través del análisis in silico de propiedades fisicoquímicas de dos librerías de compañías farmacéuticas.pdf
Tamaño:
1.35 MB
Formato:
Adobe Portable Document Format
Descripción:
Documento Principal
Descargar
Paquete de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
59 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
ACKA. Trabajos de grado