MARC

 008260126s2025        us                              c    eng  d
■001000017356890
■00520260202103056
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315703518
■035    ▼a(MiAaPQ)AAI31932867
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a615
■1001  ▼aMartin,  Holli-Joi.
■24510▼aKnowledge-Driven  Antiviral  Discovery
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a184  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Tropsha,  Alexander.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aOur  unpreparedness  for  the  recent  SARS-CoV-2  pandemic  highlighted  the  need  for  continuous  research  and  financial  investments  into  antiviral  research  prior  to  likely  unavoidable  novel  viral  emergence.  Broad-spectrum  antiviral  (BSA)  drugs  are  a  promising  strategy  to  protect  against  emergent  viruses;  however,  the  development  of  such  drugs  has  been  challenging  indicating  a  prime  opportunity  for  using  computational  technologies  to  accelerate  discovery.  In  this  dissertation,  we  emphasize  the  "three  R's"  of  modern  discovery,  whereby  data  science  enables  the  revision,  reduction  and  (partial)  replacement  of  wet-lab  experimental  antiviral  research.  We  take  an  approach  that  spans  from  the  population  down  to  the  molecular  level,  underscoring  both  the  interconnectedness  and  importance  of  each  level  in  antiviral  discovery.  We  identify  key  viruses  with  high  pandemic  potential,  regions  of  the  world  where  the  next  outbreaks  are  more  likely  to  occur,  follow-up  on  viral  cases  that  have  occurred  since  our  initial  study,  and  summarize  developments  that  can  help  us  prepare  for  such  outbreaks.  We  hypothesize  that  conserved  binding  sites  in  key  coronavirus  proteins  can  be  explored  for  the  development  of  BSA  compounds,  identified  such  conserved  binding  site  residues  across  coronaviruses  and  validated  our  hypotheses  with  existing  experimental  data.  Over  the  course  of  this  thesis  project,  we  have  built  a  curated,  annotated,  and  publicly  available  database  of  compounds  tested  in  both  phenotypic  and  target-based  assays  against  high-threat  viruses,  and  developed  a  knowledge-based  computational  hit  discovery  and  experimental  nomination  strategy.  This  strategy  was  used  to  identify  compounds  with  BSA  activity  and  we  report  the  results  of  this  experimental  effort  herein.  We  also  applied  this  multi-faceted  cheminformatics  mining  approach  to  build  a  database  of  helicase  inhibitors  and  select  viral  helicase  inhibitors  that  underwent  experimental  testing  the  results  of  which  are  reported  here.  The  knowledge-based  curation  and  database  generation  also  enabled  us  to  build  a  high  quality  predictive  Quantitative  Structure  Activity  Relationship  (QSAR)  model  which  we  used  for  virtual  screening  of  compounds,  some  of  which  we  nominated  as  inhibitors  of  Marburg  Virus  and  report  the  initial  experimental  result  here.  The  experimental  nomination  strategies  in  this  dissertation  aim  to  revise  and  reduce  the  time  and  cost  of  wet  lab  antiviral  research,  providing  a  cost-effective  strategy  to  combat  the  lack  of  funding  and  interest  in  viral  diseases  after  the  initial  emergence  event.
■590    ▼aSchool  code:  0153.
■650  4▼aPharmaceutical  sciences
■650  4▼aMedicine
■650  4▼aBiochemistry
■653    ▼aBroad-spectrum  antiviral  drugs
■653    ▼aTarget-based  assays
■653    ▼aQuantitative  Structure  Activity  Relationship  model
■690    ▼a0572
■690    ▼a0487
■690    ▼a0564
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bPharmaceutical  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356890▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서