Show simple item record

dc.contributor.advisorSantos Rosales, Guido
dc.contributor.authorFajardo Benítez, Juana María
dc.contributor.otherGrado En Farmacia
dc.date.accessioned2022-09-23T07:45:21Z
dc.date.available2022-09-23T07:45:21Z
dc.date.issued2022
dc.identifier.urihttp://riull.ull.es/xmlui/handle/915/29962
dc.description.abstractThis Final Degree Project shows a detailed review of the different computational and bioinformatic methodologies to assist drug development. Where it is narrated from the oldest to the most advanced. The work has been divided into three scales: a molecular scale, an atomic scale and a mixture of the two previous scales, that is, this methodology works for both the atomic and molecular scales. At the atomic scale we will focus on the Molecular Dynamic simulator, since it is widely used today, especially in neuroscience. In this section we will comment on the QSARs, which are very important in the different stages of drug development and their role in these. Regarding the molecular scale, we will focus on the methodology that is most used today, such as docking. We will also see other methodologies with their importance, such as SELEX, and the advances that it has left. They also highlight a reduced simulation that is the Grain Course, it is even gaining repercussions in recent years. Finally, we will deal with the innovative Artificial Intelligence, and how two resurgent methods, such as Machine Learning and Deep Learning, are entering the pharmaceutical market, innovating and developing as one more methodology. Likewise, we want to highlight with this review that any of these methodologies can be used for preventive medicine, that is why we give examples of different diseases or pathologies and thus find out if these techniques are useful in this area, which is increasingly leading our attention. modern medicine.en
dc.description.abstractEste Trabajo de Fin de Grado muestra una revisión detallada de las diferentes metodologías computacionales y bioinformáticas para asistir al desarrollo de fármacos. Donde se narra desde las más antiguas hasta las más avanzadas. Se ha dividido el trabajo en tres escalas: una escala molecular, atómica y una mezcla de las dos escalas anteriores, es decir, que esta metodología funciona tanto para la escala atómica como la molecular. En la escala atómica nos centraremos en el simulador Molecular Dynamic, ya que se utiliza mucho actualmente, sobre todo en la neurociencia. En este apartado comentaremos sobre las QSAR, que son muy importante en las diferentes etapas en el desarrollo del fármaco y su papel en estas. En cuanto a la escala molecular nos centraremos en la metodología que más se utiliza en la actualidad, como el docking, además veremos otras metodología con sus importancia,como es el SELEX, y los avances que ha dejado. Asimismo destacan una simulación reducida que es el Course Grain , incluso está cogiendo repercusión estos últimos años. Por último,trataremos las innovadoras Inteligencia Artificial, y como dos resurgentes métodos, como el Machine Learning y Deep Learning, van entrando en el mercado farmacéutico, innovando y desarrollándose como una metodología más. Igualmente, queremos destacar con esta revisión, que cualquier de estas metodología, se puede utilizar para una medicina preventiva, por eso ponemos ejemplos de diferentes enfermedades o patologías y así, averiguar si estas técnicas son útiles en esta área, que cada vez está protagonizando nuestra medicina moderna.es
dc.format.mimetypeapplication/pdf
dc.language.isoes
dc.rightsLicencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es_ES
dc.titleRevisión de las metodologías computacionales y bioinformáticas para asistir al desarrollo de nuevos fármacos
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.subject.keywordBioinformática
dc.subject.keywordFármacos
dc.subject.keywordMétodos computacionales
dc.subject.keywordEstructura química
dc.subject.keywordPrograma informático
dc.subject.keywordAI
dc.subject.keywordDeep Learning


Files in this item

This item appears in the following Collection(s)

Show simple item record

Licencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)
Except where otherwise noted, this item's license is described as Licencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)