In silico methodologies for the design of functional foods that can prevent cardiovascular diseases

Abstract

La indústria alimentària incorpora als aliments extractes d’origen natural rics en molècules bioactives amb la finalitat de convertir-los en aliments funcionals, és a dir, que tinguin propietats beneficioses per a la salut més enllà del seu valor nutricional. Un dels principals reptes és millorar l'eficiència en la selecció de nous compostos bioactius per accelerar el desenvolupament de nous aliments funcionals. Les tècniques computacionals, com ara el cribratge virtual, poden exercir un paper essencial en la fase inicial del descobriment de noves substàncies bioactives. Durant la tesi s’han desenvolupat i validat diferents protocols de cribatge virtual per a IKK-2 i 11-HSD1 (dianes involucrades en inflamació crònica), els quals han permès trobar compostos i extractes d’origen natural amb propietats anti-inflamatòries. Aquests compostos bioactius poden ser de gran utilitat com a additius en l’alimentació funcional, ja que poden presentar activitat semblant a la dels fàrmacs emprats en el tractament de malalties cardiovasculars.

One of the main challenges in nutrigenomics is improving the efficiency of the selection (which is currently time consuming and expensive) of new bioactive compounds in order to expedite the development of new functional foods. Computational techniques, such as virtual screening, may play an essential role in accelerating the early stages of the discovery of new bioactive substances by efficiently searching for compounds that could activate or inhibit a known target. So, by modulating specific target functions in the body, molecules that act as IKK-2 or 11β-HSD1 inhibitors have beneficial physiological effects that can be of interest for preventing, retarding and/or reversing the metabolic syndrome. Because of their anti-inflammatory properties, natural extracts that contain these molecules have a promising role as ingredients in new functional foods. Therefore, this PhD thesis will focus on the development of virtual screening workflows that predict natural products that can inhibit both targets.