El curso se llevará a cabo del lunes,  02/feb al viernes 06/feb
Horario: 9 a 12hs (teoría), 14 a 17hs (práctica)
Lugar: Facultad Politécnica de la Universidad Nacional de Asunción

Inscripciones: https://www.pol.una.py/xthx

Observación: Los estudiantes de grado de la UNA o estudiantes de posgrado de cualquier universidad tendrán prioridad para el desarrollo del curso, hasta llenar el cupo (30).

Se otorgarán certificados de participación.

Objetivo

Dotar al alumno de los conceptos y herramientas teóricos básicos para abordar las técnicas de simulación computacional de biomoléculas aplicadas a problemas biológicos.

Se pretende presentar la variedad de herramientas computacionales disponibles en la actualidad para el estudio de los determinantes moleculares de los fenómenos bioquímicos y biofísicos.

Organización

El curso se realizará en modalidad teórico-práctica, con una duración de 5 días (una semana), con 6 horas al día (3 horas de teoría y 3 horas de actividades prácticas).

Requisitos

Se requiere que los estudiantes traigan sus propias computadoras portátiles para la sesión práctica, o que puedan usar una sala de computadoras en la Universidad, con sistema operativo Linux. Los programas de análisis básicos se pueden instalar fácilmente: Xmgrace, VIM, VMD. La sesión práctica incluye el empleo de software para simulaciones MD. Se utilizará el paquete de programas AMBER.

Programa Analítico

1.- Simulación computacional de biomoléculas en ciencia: relación entre experimento, teoría y simulación. Simulación computacional en química. Concepto de superficie de energía potencial. Metodologías y estrategias para explorar superficies energéticas potenciales.

2.- Visión general de los métodos ab-initio. Ecuaciones de Hartree-Fock. Funciones base.

Determinación de propiedades moleculares. Métodos semi-empíricos: descripción general e implementaciones. Métodos semi-empíricos basados en parametrización. Descripción general de la teoría funcional de la densidad y sus teoremas fundamentales. Implementación de Kohn-Sham. Ventajas y desventajas de los diferentes métodos.

3.- Métodos de mecánica molecular. Campos de fuerza en modelado molecular. Modelos de agua: SPC, TIP3P y TIP4P. Modelos polarizables. Campos de fuerza para biomoléculas: potenciales AMBER y CHARMM. Parametrización. Esquemas de grano grueso.

4.- Conceptos básicos de termodinámica estadística. Hipótesis ergódica. Esquema de simulación de Monte Carlo. Esquema de simulación de dinámica molecular. Determinación de propiedades estructurales y dinámicas. Regulación de temperatura y presión. Termostato Berendsen. Dinámica de Langevin.

5.- Cálculos de energía libre. Funciones termodinámicas de entropía y energía. Muestreo mejorado. Muestreo de paraguas. Integración termodinámica. Dinámica molecular dirigida y aproximación de no equilibrio: ecuación de Jarzynski.

6.- Dinámica proteica. Estabilidad y caracterización de proteínas. Desviación cuadrática media y fluctuaciones cuadráticas medias. Modos normales y modos esenciales. Función de distribución radial. Análisis de dinámica molecular.

7.- Interacción entre biomoléculas. Interacciones proteína-ligando. Cálculos de afinidad. Cambio de entropía conformacional. Cambio de energía libre de solvatación.

8.- Metodologías híbridas de mecánica cuántica-mecánica molecular (QM-MM). Modelización de fenómenos reactivos. Efectos del entorno. Esquemas aditivos y sustractivos. Acoplamiento cuántico-clásico. Cálculos del mecanismo de reacción.

9.- Introducción al aprendizaje de máquina. Conceptos básicos del aprendizaje supervisado: datos, modelos y criterios de selección. Evaluación de desempeño y nociones de generalización. Idea general del aprendizaje profundo y ejemplos de aplicación.

10.- Acoplamiento (docking) molecular. Principios del docking para predecir sitios de unión y afinidad. Muestreo conformacional y funciones de puntuación. Aplicación al diseño de fármacos.

11.- Aplicaciones a problemas biológicos específicos y discusión de trabajos.

Bibliografía básica

• Leach, A. (2001) Molecular Modelling: Principles and Applications. (2nd Edition) Prentice Hall.
• Allen, M. P. and Tildesley, D. J. (2001) Computer Simulation of Liquids. Clarendon Press.
• Ponder, J. and Case, D. Force fields for protein simulations (2003) Adv. Prot. Chem. 66, 27-85.
• Senn, H. M. and Thiel, W. QM/MM Methods for Biomolecular Systems (2009) Angew. Chem. Int. Ed., 48: 1198-1229.
• Senn, H. M. and Thiel, W. QM/MM studies of enzymes (2007) Curr. Op. Chem. Biol., 11:182-187.
• Mitra, S., Datta, S., Perkins, T., and Michaidilis, G. Introduction to Machine Learning and Bioinformatics (2008). CRC Press.
• Coumar, M. S. (2021). Molecular docking for computer-aided drug design: Fundamentals, techniques, resources and applications. Academic Press.

Docentes

Prof. Dr. Santiago Di Lella

Conicet – Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires

Es Licenciado en Química (2005) y Doctor Ciencias Químicas (2009) por la Universidad Nacional de Tucumán, Argentina. Ha realizado postdoctorados bajo la dirección de Darío Estrín (INQUIMAE, Universidad de Buenos Aires), Gabriel Rabinovich (IBYME-Conicet) y Andreas Hermmann (Humboldt Universität zu Berlin, Alemania). Desde 2011 es miembro de carrera del Consejo Nacional de Investigaciones Científicas y Técnicas (Conicet) de Argentina y trabaja en el Instituto de Biología Química de la Facultad de Ciencias Exactas y Naturales, UBA-Conicet, en Buenos Aires, donde centra su investigación en el reconocimiento y la interacción entre biomoléculas, estudiadas mediante simulación de dinámica molecular y técnicas biofísicas experimentales. Fue becario Fulbright en la Universidad de Pittsburgh (EE. UU.) en 2007, becario Georg Forster de la Fundación Humboldt en Alemania (2014-2017), y profesor visitante en el Departamento de Ciencia y Tecnología Farmacéutica de la Univesità degli Studi di Torino, Italia (2018) y la Freie Universität Berlin, Alemania (2024). Es profesor de Química para estudiantes de primer año en la Universidad de Buenos Aires. Ha dictado cursos de simulación computacional de biomoléculas en diversas universidades sudamericanas y europeas.

Prof. Dr. Victor Martínez-Chamorro

Facultad Politécnica, Universidad Nacional de Asunción

En 2011 obtuvo el título de Licenciado en Ciencias Mención Física en la Facultad de Ciencias Exactas y Naturales de la Universidad Nacional de Asunción (FaCEN-UNA). En 2014 culminó la maestría en Ciencias de la Computación en la Facultad de Politécnica de la Universidad Nacional de Asunción (FPUNA); donde en 2020 obtuvo su título de Doctor en Ciencias de la Computación. Es miembro del Grupo de Bioinformática (GBI) e investigador en el Núcleo de Investigación y Desarrollo Tecnológico (NIDTEC) de la Facultad Politécnica de la Universidad Nacional de Asunción (FPUNA). Está categorizado desde 2022 en el SISNI de CONACYT, actualmente en el nivel 1. También se desempeña como Docente de la Maestría en Ciencias de la Computación en la FPUNA. Sus líneas de investigación son: Bioinformática, topología del ADN, simulación computacional de biomoléculas y estudio de péptidos. Ha participado en y dictado cursos de simulación computacional de biomoléculas.

Prof. Dr. José Colbes

Facultad Politécnica, Universidad Nacional de Asunción

Se recibió de Ingeniero Electrónico en la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA) en 2009. Culminó la Maestría en Ciencias de la Computación en el Centro de Investigación Científica y de Educación Superior de Ensenada (CICESE, México) en 2014, donde obtuvo su título de Doctor en Ciencias de la Computación en 2018. Se desempeña como investigador en el Núcleo de Investigación y Desarrollo Tecnológico (NIDTEC) de la Facultad Politécnica de la Universidad Nacional de Asunción (FPUNA), formando parte del Grupo de Investigación de Operaciones e Inteligencia Artificial (GIOIA). Está categorizado en el SISNI de CONACYT desde 2018, actualmente en el nivel 1. Es Docente de la Maestría y Doctorado en Ciencias de la Computación en la FPUNA, y profesor titular en la FPUNA y FIUNA. Sus áreas de interés son: optimización combinatoria, predicción de estructuras de proteínas, diseño de péptidos, aprendizaje de máquina y redes de computadoras.

Este curso se realizará en el marco del proyecto PINV01-277, financiado por CONACYT.