prikaz prve stranice dokumenta Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja
Embargo period 2025-07-19
master's thesis
Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja
Zagreb: University of Zagreb, Faculty of Science, 2024. urn:nbn:hr:217:630197
Jakobović, Nika
University of Zagreb
Faculty of Science
Department of Chemistry

Institutional repository: Repository of the Faculty of Science

Cite this document

Jakobović, N. (2024). Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Science. Retrieved from https://urn.nsk.hr/urn:nbn:hr:217:630197

Jakobović, Nika. "Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:630197

Jakobović, Nika. "Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja." Master's thesis, University of Zagreb, Faculty of Science, 2024. https://urn.nsk.hr/urn:nbn:hr:217:630197

Jakobović, N. (2024). 'Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja', Master's thesis, University of Zagreb, Faculty of Science, accessed 06 October 2024, https://urn.nsk.hr/urn:nbn:hr:217:630197

Jakobović N. Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Science; 2024 [cited 2024 October 06] Available at: https://urn.nsk.hr/urn:nbn:hr:217:630197

N. Jakobović, "Kvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja", Master's thesis, University of Zagreb, Faculty of Science, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:217:630197

Metadata
TitleKvantno-kemijsko dokiranje heterocikla u aktivno mjesto butirilkolinesteraze primjenom dubokog pojačanog učenja
Title (english)Quantum-chemical docking of heterocycles into the active site of butyrylcholinesterase using deep reinforcement learning
AuthorNika Jakobović
MentorTomica Hrenar (mentor)
Committee memberTomica Hrenar (predsjednik povjerenstva)
Committee memberAleksandra Maršavelski (član povjerenstva)
Committee memberIvan Kodrin (član povjerenstva)
Committee memberBranimir Bertoša (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Science
(Department of Chemistry)
Zagreb
Defense date and country2024-07-19, Croatia
Scientific / art field,
discipline and subdiscipline		NATURAL SCIENCES
Chemistry
Abstract
Alzheimerova bolest teška je i neizlječiva neurološka bolest koju karakterizira gubitak kognitivnih sposobnosti pojedinca. Simptomi uključuju demenciju te promjene u ponašanju i osobnosti bolesnika, a bolest predstavlja jedan od vodećih uzroka smrti u svijetu. Prema kolinergičkoj hipotezi, u mozgu oboljelih osoba smanjena je koncentracija neurotransmitera acetilkolina te se za povećanje njegove koncentracije kao lijekovi koriste inhibitori acetilkolinesteraze i butirilkolinesteraze. Ti inhibitori u svojoj strukturi često sadrže heterocikličke sustave te su u ovom radu istraženi konfiguracijski prostori malih heterocikličkih molekula u aktivnom mjestu butirilkolinesteraze. Molekule aziridina i azetidina te njihove kombinacije dokirane su korištenjem kvantno-kemijskog Monte Carlo dokiranja. Za pretraživanje konfiguracijskih prostora primijenjen je protokol računalstva s velikom propusnošću, a za 100 struktura najniže energije provedene su dodatne optimizacije geometrije i izračuni standardnih Gibbsovih energija vezanja. Pokazano je da se energija dokiranih molekula u aktivnom mjestu butirilkolinesteraze može uspješno procijeniti korištenjem duboke neuronske mreže istrenirane algoritmom dubokoga pojačanog učenja.
Abstract (english)
Alzheimer's disease is a severe and incurable neurological disease that is characterized by the loss of an individual's cognitive abilities. Symptoms are dementia and changes in the patient's behavior and personality, and the disease is one of the leading causes of death in the world. According to the cholinergic hypothesis, the concentration of the neurotransmitter acetylcholine is reduced in the brain of affected individuals, and acetylcholinesterase and butyrylcholinesterase inhibitors are used as drugs to increase its concentration. These inhibitors often contain heterocyclic systems in their structure, and in this work the configurational spaces of small heterocyclic molecules in the active site of butyrylcholinesterase were investigated. Aziridine and azetidine molecules and their combinations were docked using quantum- chemical Monte Carlo docking. A high-throughput computing protocol was applied to search the configurational spaces, and additional geometry optimizations as well as calculation of standard Gibbs binding energies were performed for the 100 lowest energy structures. It has been shown that the energy of docked molecules in the active site of butyrylcholinesterase can be successfully estimated using a deep neural network trained by deep reinforcement learning.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:217:630197
ProjectNumber: IP-2022-10-9525
Title: Metom usmjerena sinteza inhibitora kolinesteraza podržana strojnim učenjem
Title: Target-guided synthesis of cholinesterase inhibitors supported by machine learning
Acronym: TargetCh
Leader: Ines Primožič
Jurisdiction: Croatia
Funder: Hrvatska zaklada za znanost
Funding stream: Research Projects
Study programmeTitle: Graduate university studies in chemistry; specializations in: Graduate university studies in chemistry
Course: Graduate university studies in chemistry
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra kemije (sveučilišni/a magistar/magistra kemije)
Type of resourceText
File originBorn digital
Access conditionsEmbargoed access
Embargo expiration date: 2025-07-19
Terms of useLicence In copyright icon
Created on2024-10-02 13:43:30