Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39734Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κουνναπή, Γεωργία | el |
| dc.date.accessioned | 2026-01-23T10:08:15Z | - |
| dc.date.available | 2026-01-23T10:08:15Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39734 | - |
| dc.rights | Default License | - |
| dc.subject | Αυτοφλεγμονώδη νοσήματα | el |
| dc.title | Αναγνώριση Φαρμακευτικών Στόχων με Τεχνικές In Silico για Νέα Θεραπευτικά Μέσα Έναντι των Αυτοφλεγμονωδών Νοσημάτων | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.dateAvailable | 2026-01-23T10:09:15Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών | el |
| heal.publicationDate | 2026-01-19 | - |
| heal.abstract | Οι Συστηματικές Αυτοφλεγμονώδεις Νόσοι (Systemic Autoinflammatory Diseases, SAIDs) αποτελούν μια ετερογενή ομάδα διαταραχών που χαρακτηρίζονται από επαναλαμβανόμενα επεισόδια συστηματικής φλεγμονής, χωρίς ενδείξεις λοίμωξης ή αυτοανοσίας. Από την πρώτη ταυτοποίηση του γονιδίου MEFV στον Οικογενή Μεσογειακό Πυρετό (Familial Mediterranean Fever, FMF) το 1997, η κατανόηση των SAIDs έχει διευρυνθεί σημαντικά, αναδεικνύοντας τον κεντρικό ρόλο της έμφυτης ανοσίας και των μοριακών ρυθμιστών της. Μεταξύ αυτών των νοσημάτων, το Σύνδρομο Περιοδικού Πυρετού που σχετίζεται με τον υποδοχέα TNF (Tumor Necrosis Factor Receptor Associated Periodic Syndrome, TRAPS) αποτελεί χαρακτηριστικό μονογονιδιακό αυτοφλεγμονώδες νόσημα που προκαλείται από μεταλλάξεις στο γονίδιο TNFRSF1A. Το γονίδιο αυτό κωδικοποιεί τον υποδοχέα TNFR1, έναν κρίσιμο διαμεσολαβητή της σηματοδοτικής οδού του TNF-α. Δομικές ή λειτουργικές αλλοιώσεις του TNFR1 οδηγούν σε απορρύθμιση της φλεγμονής, συμβάλλοντας στα επαναλαμβανόμενα επεισόδια πυρετού και στα χρόνια φλεγμονώδη συμπτώματα που χαρακτηρίζουν το TRAPS. Στόχος της παρούσας μελέτης ήταν η αξιοποίηση υπολογιστικών και χημειοπληροφορικών μεθοδολογιών για τον εντοπισμό μικρών μορίων ικανών να τροποποιήσουν τη λειτουργικότητα του TNFR1, με απώτερο σκοπό τον προσδιορισμό πιθανών θεραπευτικών υποψηφίων για την αντιμετώπιση του TRAPS. Ως μοντέλο αναφοράς στη μοριακή πρόσδεση επιλέχθηκε η κρυσταλλική δομή του TNFR1 (PDB ID: 1EXT). Εφαρμόστηκε προσέγγιση τυφλής μοριακής πρόσδεσης (blind docking) για τη διερεύνηση πιθανών θέσεων πρόσδεσης σε ολόκληρη την επιφάνεια της πρωτεΐνης, επιτρέποντας τον εντοπισμό περιοχών κατάλληλων για αλληλεπίδραση με μικρά μόρια. Για την ενίσχυση της μεθοδολογικής αξιοπιστίας χρησιμοποιήθηκαν δύο εργαλεία μοριακής πρόσδεσης, το AutoDock 4.2 και το AutoDock Vina, τα οποία παρείχαν συγκριτικά δεδομένα ως προς τις προβλεπόμενες ενέργειες πρόσδεσης (ΔGbind) και τους τρόπους αλληλεπίδρασης. Το σύνολο δεδομένων αποτελούνταν από περισσότερες από 7,000 χημικές ενώσεις εγκεκριμένων φαρμάκων, υπό διερεύνηση ενώσεων και φαρμάκων που έχουν αποσυρθεί. Τα αποτελέσματα ταξινομήθηκαν με βάση τις ενέργειες πρόσδεσης και τα αμινοξικά κατάλοιπα που συμμετέχουν στις αλληλεπιδράσεις. Παράλληλα, αναπτύχθηκε και εκπαιδεύτηκε ένα Συνελικτικό Νευρωνικό Δίκτυο (Convolutional Neural Network, CNN) για την πρόβλεψη και κατηγοριοποίηση των συγγενειών πρόσδεσης. Οι προβλέψεις του CNN παρουσίασαν υψηλή συμφωνία με τα αποτελέσματα του AutoDock Vina, επιβεβαιώνοντας την εγκυρότητα του μοντέλου ως συμπληρωματικού εργαλείου στην in silico αξιολόγηση μορίων. Επιπλέον, η χρήση του CNN επέφερε σημαντική μείωση του υπολογιστικού χρόνου, αναδεικνύοντας την αποδοτικότητα των προσεγγίσεων τεχνητής νοημοσύνης στη διαδικασία ανακάλυψης φαρμάκων. Η υπολογιστική αναγνώριση μικρών μορίων με υψηλή συγγένεια για τον TNFR1 προσφέρει πολύτιμες γνώσεις για τους δομικούς παράγοντες που καθορίζουν τη ρύθμιση του υποδοχέα και ανοίγει νέες προοπτικές για την ανάπτυξη στοχευμένων θεραπευτικών προσεγγίσεων έναντι του TRAPS και άλλων συγγενών αυτοφλεγμονωδών νοσημάτων. | el |
| heal.abstract | Systemic Autoinflammatory Diseases (SAIDs) constitute a diverse group of disorders characterized by recurrent systemic inflammation without evidence of infection or autoimmunity. Since the first identification of the MEFV gene in Familial Mediterranean Fever (FMF) in 1997, the understanding of SAIDs has significantly expanded, revealing the central role of the innate immune system and its molecular regulators. Among these diseases, the Tumor Necrosis Factor Receptor Associated Periodic Syndrome (TRAPS) represents a prototypical monogenic autoinflammatory disorder caused by mutations in the TNFRSF1A gene. This gene encodes the Tumor Necrosis Factor Receptor 1 (TNFR1), a crucial mediator of the TNF-α signaling pathway. Structural or functional alterations in TNFR1 lead to dysregulated inflammation, contributing to the recurrent febrile episodes and chronic inflammatory symptoms characteristic of TRAPS. The aim of this study was to employ computational and cheminformatics methodologies to identify small molecules capable of modulating TNFR1 activity, with the ultimate goal of exploring potential therapeutic candidates for TRAPS. The crystal structure of TNFR1 (PDB ID: 1EXT) was selected as a reference model for the molecular docking experiments. A blind docking approach was performed to investigate potential binding sites across the protein surface, enabling the identification of regions suitable for small molecule interaction. Two docking tools, AutoDock 4.2 and AutoDock Vina, were employed to ensure methodological consistency and to provide comparative insight into the predicted binding affinities (ΔGbind) and interaction modes. A dataset of more than 7,000 compounds was extracted from the DrugBank database, comprising approved drugs, withdrawn, and investigational compounds with known pharmacological relevance. The docking results were analyzed and ranked based on predicted binding energies, hydrogen bonding patterns, and interaction residues. In addition, a Convolutional Neural Network (CNN) model was developed and trained to predict and classify binding affinities based on structural and electronic descriptors of the compounds. The CNN predictions were in strong agreement with the results from AutoDock Vina, confirming the validity of the machine learning model as a complementary tool for in silico screening. The use of the CNN significantly reduced the computational cost and processing time, demonstrating the efficiency of artificial intelligence–assisted approaches in drug discovery. Overall, the results of this study highlight the power of integrated in silico methods, combining molecular docking with machine learning techniques, in accelerating the early stages of drug discovery. The computational identification of small molecules with high affinity for TNFR1 provides valuable insight into the structural determinants of receptor modulation and opens new perspectives for the development of targeted therapies against TRAPS and related autoinflammatory disorders. | en |
| heal.advisorName | Παπαλουκάς, Κωσταντίνος | el |
| heal.committeeMemberName | Φίλιου, Μιχαέλα | el |
| heal.committeeMemberName | Μιχαηλίδης, Θεολόγος | el |
| heal.committeeMemberName | Παπαλουκάς, Κωσταντίνος | |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Χημείας | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 91 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΧΗΜ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μεταπτυχιακή Εργασία-Γεωργία Κουνναπή.pdf | 1.99 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
