MARC details
| 000 -LEADER |
|---|
| fixed length control field |
08819nam a2200493 i 4500 |
| 001 - CONTROL NUMBER |
|---|
| control field |
200466322 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20251120140022.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2025 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200466322 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE BMM YL’25 YAR |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Yarar, Şeniz |
| Relator term |
author |
| 9 (RLIN) |
150799 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
SARS-CoV-2 spike–ACE2 etkileşiminin inhibisyonuna yönelik tasarlanan peptitlerin etkinliğinin moleküler modelleme yöntemleriyle araştırılması / |
| Statement of responsibility, etc. |
Şeniz Yarar; thesis advisor Hüseyin Burak Çalışkan. |
| 246 13 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Investigation of the effıcacy of designed peptides targeting the inhibition of SARS-CoV-2 spike–ACE2 interaction using molecular modeling methods |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2025. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xii, 102 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Temmuz 2025 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
Virüs yalnızca canlı (konak) hücrelerde çoğalabilen enfeksiyöz ajanlardır. Bu bağlamda SARS-CoV-2 virüsü de, yüzeyindeki Spike (S) proteini aracılığıyla anjiyotensin dönüştürücü enzim 2 (ACE2) reseptörüne bağlanarak konak hücreye giriş yaparak COVID-19 hastalığına neden olmakta, kalp ve akciğer gibi dokularda yüksek düzeyde eksprese olan ACE2'nin işlevini bozması nedeniyle COVID-19 pandemisinde Dünya Sağlık Örgütü verilerine göre 7 milyondan fazla insanın ölümüne yol açtığı bilinmektedir. SARS-CoV-2 genomunda özellikle Spike proteinini kodlayan bölgede görülen yüksek mutasyon oranı; virüsün bulaş hızı ile bağışıklık sisteminden kaçma yeteneğine bağlı olarak virüsün ölümcüllüğünü artırmaktadır. Bu nedenle virüse karşı ilaç geliştirmede Spike–ACE2 etkileşimi hedef alınmakta ve bu etkileşimin peptitler aracılığı ile inhibe edilmesine yönelik çalışmalara ağırlık verilmektedir. Peptitler, küçük moleküllere kıyasla esnek yapıları, özgül bağlanma yetenekleri ve düşük toksisiteleri sayesinde protein–protein etkileşimlerini inhibe etmeye yönelik ilaç geliştirme çalışmalarında önemli bir alternatif sunmakla birlikte geleneksel ilaç geliştirme yöntemlerinin yüksek maliyet ve uzun zaman gerektirmesi nedeniyle erken aşama tarama süreçlerinde bilgisayar destekli ilaç tasarım (CADD) yaklaşımlarının kullanımını gerekli kılmıştır. Spike–ACE2 etkileşimini inhibe etmeye yönelik geliştirilen peptitlerin etkinliğini değerlendiren çalışmalarda kullanılan hesaplamalı ve deneysel yöntemler sonucu elde edilen veriler arasında tutarsızlıkların olduğu gözlemlenmiştir. SARS-CoV-2 Spike–ACE2 etkileşiminin inhibisyonuna yönelik peptit tabanlı inhibitör tasarımında yapı tahmini, moleküler kenetleme programlarından HADDOCK ve AutoDock CrankPEP (ADCP) ile moleküler modelleme programlarından AlphaFold2 (AF2), AlphaFold2-Multimer (AF2M), PepFold3 ve ESMFold üzerinden çalışmalar yürütülmüştür. AF2M programının hem bağlanma bölgesini hem de bağlanma sonrası peptitin konformasyonu doğru şekilde belirlemede diğer programlara kıyasla üstün olduğu gözlemlendiğinden, bu program üzerinden Rosetta Ref2015, Rosetta ddG, Prodigy ve PyDock gibi farklı skorlama fonksiyonlarının etkileri incelenmiştir. AF2M ile modellenen yapıların Rosetta Ref2015 skoru ile sıralanmasının peptitin reseptör Spike proteini üzerinde konumlandırılması açısından anlamlı sonuçlar verdiği gözlemlenmiştir. Bağlanma bölgesine doğru konumlandırılmış olması o bölgedeki etkileşimi inhibe ettiğini göstermediğinden; ilerleyen çalışmalarda skorlama fonksiyonlarının entegrasyonu ile peptit-bazlı inhibitör tasarımında daha güvenilir ve etkili sonuçlar elde etmek için veri setlerinin genişletilmesi, SAPx peptitleri-Spike RBD proteini komplekslerinin biyolojik olarak anlamlı analizinin yapılabilmesi için mikrosaniyeler mertebesinde MD simülasyonlarının yapılması ve bağlanma serbest enerjilerinin hesaplanmasının uygun olacağı değerlendirilmiştir. Sonuç olarak, bu tez çalışmasında, SARS-CoV-2 Spike–ACE2 etkileşimini inhibe etmeye yönelik peptit-bazlı ilaç geliştirme süreçlerinde yapay zekâ destekli modelleme yaklaşımlarında doğru skorlama stratejilerinin kullanımının tasarımın doğruluğunu test etme sürecinde kullanılabilir bir metot olarak üzerinde çalışılmaya değer sonuçlar elde edilmiştir. Hesaplamalı yöntemde doğru skorlama stratejisi kullanımının sorunsalın çözümlenmesinde olumlu katkılar sunabileceği kıymetlendirilmektedir. |
|
|---|
| Summary, etc. |
Viruses Viruses are infectious agents that can only replicate within living (host) cells. In this context, the SARS-CoV-2 virus causes COVID-19 by entering host cells through binding of its surface Spike (S) protein to the angiotensin-converting enzyme 2 (ACE2) receptor. Since ACE2 is highly expressed in tissues such as the heart and lungs, disruption of its function by the virus has contributed to the death of over 7 million people globally during the COVID-19 pandemic, according to data from the World Health Organization. The high mutation rate observed particularly in the region of the SARS-CoV-2 genome encoding the Spike protein increases the virus's transmissibility and its ability to evade the immune system, thereby enhancing its lethality. As a result, the Spike–ACE2 interaction has become a major target in drug development against the virus, with increasing focus on inhibiting this interaction using peptides. Compared to small molecules, peptides offer significant advantages in targeting protein–protein interactions due to their flexible structures, specific binding capabilities, and low toxicity. However, the high cost and lengthy timelines of traditional drug development approaches have necessitated the use of computer-aided drug design (CADD) strategies in the early-stage screening of peptide candidates. Despite advances in this field, discrepancies have been observed between computational and experimental data evaluating the efficacy of peptides developed to inhibit the SARS-CoV-2 Spike–ACE2 interaction. Inhibitor design efforts targeting this interaction have involved structural prediction and molecular docking using programs such as HADDOCK and AutoDock CrankPEP (ADCP), as well as molecular modeling tools like AlphaFold2 (AF2), AlphaFold2-Multimer (AF2M), PepFold3, and ESMFold. Among these, AF2M demonstrated superior performance in accurately predicting both the binding site and the post-binding conformation of the peptide, compared to other methods. Consequently, the effects of different scoring functions such as Rosetta Ref2015, Rosetta ddG, Prodigy, and PyDock were analyzed on AF2M-modeled structures. It was observed that ranking the AF2M-modeled structures based on the Rosetta Ref2015 score yielded meaningful results in terms of peptide positioning on the receptor Spike protein. However, correct positioning at the binding site does not necessarily confirm inhibition of the interaction. Therefore, it has been proposed that future studies should expand the dataset and integrate multiple scoring functions. Moreover, conducting molecular dynamics (MD) simulations at the microsecond scale and calculating binding free energies would be appropriate to evaluate the biological relevance of SAPx peptide–Spike RBD complexes. In conclusion, this thesis demonstrates that employing accurate scoring strategies in AI-assisted modeling approaches for peptide-based drug development targeting the SARS-CoV-2 Spike–ACE2 interaction yields promising results for testing design accuracy. The use of correct scoring strategies in computational methods is considered to contribute positively to solving this complex problem. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
SARS-CoV-2 virüsü |
|
|---|
| Uncontrolled term |
ACE2 reseptör proteini |
|
|---|
| Uncontrolled term |
Peptit-protein etkileşimleri |
|
|---|
| Uncontrolled term |
Peptit yapı tahmini |
|
|---|
| Uncontrolled term |
Moleküler kenetleme |
|
|---|
| Uncontrolled term |
Moleküler modelleme |
|
|---|
| Uncontrolled term |
Moleküler dinamik simülasyonları |
|
|---|
| Uncontrolled term |
SARS-CoV-2 virus |
|
|---|
| Uncontrolled term |
ACE2 receptor protein |
|
|---|
| Uncontrolled term |
Peptide-protein interactions |
|
|---|
| Uncontrolled term |
Peptide-structure prediction |
|
|---|
| Uncontrolled term |
Molecular docking |
|
|---|
| Uncontrolled term |
Molecular modeling |
|
|---|
| Uncontrolled term |
Molecular dynamics simulations |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Çalışkan, Hüseyin Burak |
| 9 (RLIN) |
150804 |
| Relator term |
advisor |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
