[pt] A presente tese analisa, em uma perspectiva de múltiplos ciberespaços, performances identitárias de Vitória e Glória, mulheres em tratamento de câncer de mama que, através de suas interações online, constroem-se como vítimas ao descobrirem a doença e passam a agir como protagonistas em redes sociais, na luta contra o câncer. Sendo assim, os objetivos deste estudo são: (i) analisar as performances identitárias de duas mulheres com câncer de mama em diferentes sites; e (ii) compreender de que forma as participantes se constroem como protagonistas em redes sociais ao longo do tratamento da doença. A perspectiva teórica da pesquisa situa-se em estudos sobre as performances identitárias na narrativa e no discurso multimodal, no protagonismo discursivo e social e na teoria do posicionamento. A metodologia da pesquisa é qualitativa e interpretativa de cunho netnográfico. Os dados consistem de vídeos, entrevistas e narrativas das participantes que estão registradas em páginas públicas do Facebook, do YouTube, de três sites institucionais e de um blog. As análises indicam que: (i) há mudanças de performances identitárias e de posicionamento das participantes nas redes sociais, sinalizando transformação das trajetórias de vida ao longo de seus tratamentos – do ser comum ao protagonismo; (ii) as participantes ressignificam suas experiências de dor e lamentação, em uma perspectiva de discurso como ação social via discursos de emoção, esperança, triunfo e engajamento político; (iii) o agenciamento é direcionado aos interlocutores nas redes sociais, enquanto posicionamento político e identitário de enfrentamento do câncer. Nesse sentido, como contribuição social, esta tese sinaliza que, na sociedade contemporânea, as redes sociais se tornam espaços férteis de resistência e de empoderamento pessoal e de outros usuários, e espaços de metamorfose de lagarta a borboleta em relação ao câncer. / [en] The present thesis analyzes, from a multi-sited perspective, the identity performances of Vitória and Glória, women in treatment of breast cancer who, through their online interactions, construct themselves as victims when they discover the disease and begin to act as protagonists in social networks in the fight against cancer. Thus, the objectives of this study are: (i) to analyze the identity performances of two women with breast cancer in different websites; and (ii) to understand how the participants construct themselves as protagonists in social networks throughout the treatment of the disease. The theoretical perspective of the research is located in studies on the identity performances in narrative and multimodal discourse, in the discursive and social protagonism and in the theory of the positioning. The methodology of the research is qualitative and interpretative of a netnographic nature. The data consist of videos, interviews and narratives of the participants that are registered in public pages of Facebook, YouTube, three institutional websites and one blog. The analysis indicate that: (i) there are changes in identity performances and in the positioning of participants in social networks, signaling the transformation of life trajectories throughout their treatments - from being ordinary to protagonism; (ii) participants reassign their experiences of pain and lamentation, from a discourse perspective as social action through discourses of emotion, hope, triumph and political engagement; (iii) agency is directed to interlocutors in social networks, as a political and identity positioning for coping with cancer. In this sense, as a social contribution, this thesis indicates that, in contemporary society, social networks become fertile spaces of resistance and personal/users empowerment, and spaces of metamorphosis from caterpillar to butterfly in relation to cancer.

[pt] O trabalho visou sintetizar azacumestanos inéditos, derivados de 27 através da formação da ligação CN empregando bis-trifluoroacetoxi iodobenzeno (PIFA) e analisar a influência da rigidez conformacional na atividade biológica contra leishmaniose e câncer de mama. Além disso, este projeto visou sintetizar 3-Aril-4- N-Aril-cumarinas com padrões de oxigenação no anel A, e seus azacumestanos derivados, visto que é um padrão típico de produtos naturais. Para a obtenção das 3-Aril-4-N-Aril-cumarinas 27a-f, a primeira etapa consistiu em uma reação de condensação da 4-hidróxicumarina 80 com diferentes anilinas comerciais 70a-d com rendimentos de 56 a 70 por cento. Em seguida houve uma etapa de arilação via catálise fotorredox levando aos compostos 27a-f com rendimentos de 32 a 76 por cento. A última etapa consistiu numa aminação oxidativa para a obtenção dos azacumestanos 68a-f que foram obtidos com rendimentos de 32 a 92 por cento. Para a obtenção de 3-aril-4-N-arilcumarinas com diferentes padrões de oxigenação no anel A, utilizou-se fenóis parcialmente metilados 84 para gerar os compostos 85. As etapas de acilação dos fenóis foram realizadas com rendimentos de 77 a 95 por cento, a etapa de metilação do fenol 84a em até 80% de rendimento e as hidroxicumarinas 86a,c,d foram obtidas com sucesso. Contudo, não foi possível realizar a etapa seguinte de condensação. Com esses resultados, realizou-se uma investigação para uma nova rota, que se baseou em adições de Michael oxidativas e arilações descarboxilativas. Foi possível realizar a arilação descarboxilativa de cumarinas ácido carboxílicos 13 empregando ácidos borônicos com 16 por cento de rendimento, além de realizar o aza-Michael oxidativo de 13 empregando a anilina com 22 por cento de rendimento. Os N-aril-azacumestanos 68a-c sintetizados foram testados para leishmaniose, e demonstraram-se inativos, ao contrário dos intermediários 3-Aril-4-N-Aril-cumarinas, demonstrando a importância da liberdade conformacional para a atividade biológica. Entretanto, contra as linhagens MCF-7 e MDA-MB-231, não foram observadas mudanças significativas nos valores de CC50. / [en] This work aimed to synthesize novel azacoumestanes derived from 68 through the formation of C-N bound using bis-trifluoroacetoxy iodobenzene (PIFA) and to analyze the influence of conformational rigidity on the biological activity against leishmaniasis and breast cancer. In addition, this project aimed to synthesize 3-aryl-4-N-aryl-coumarins with oxygenation patterns in the A ring, and its derived azacoumestan. To obtention the 3-aryl-4-N-aryl-coumarins 27a-f, the first step consists of a condensation reaction of 4-hydroxycoumarin 80 with different commercial anilines 70a-d with yields from 56 to 70 percent. The last step was an intramolecular oxidative amination, to obtain the azacoumestan 68a-f that were obtained with yields of 32 to 92 percent. To obtain 3-aryl-4-N-arylcoumarins with different oxygenation patterns, the synthetic route began with an acylation of different phenols 84, followed by a methylation and cyclization reaction to form oxygenated compounds derived from 4-hydroxy-coumarin 86a-c. Acylations were performed with yields from 77 to 95 percent, methylation of 84a with 80 percent and hydroxycoumarins 86a,c,d were successfully obtained, but it was not able to perform the condensation reaction. With these results, the investigation of a new route was carried out, which was based on oxidative Michael additions and decarboxylative arylations. It was possible to reproduce a decarboxylative arylation, in addition to performing the oxidative aza-Michael of interest with 22 percent yield in water at 65 oC. The synthesized azacoumestans 68a-c inactive against leishmaniasis, unlike the 3-aryl-4-N-aryl-coumarins intermediates, demonstrating the importance of conformational rigidity for biological activity. On the other hand, for breast anticancer activity, no significant changes were observed.

[pt] Prever com precisão a resposta a drogas para uma dada amostra baseado em características moleculares pode ajudar a otimizar o desenvolvimento de drogas e explicar mecanismos por trás das respostas aos tratamentos. Nessa dissertação, dois estudos de caso foram gerados, cada um aplicando diferentes dados genômicos para a previsão de resposta a drogas. O estudo de caso 1 avaliou dados de perfis de metilação de DNA como um tipo de característica molecular que se sabe ser responsável por causar tumorigênese e modular a resposta a tratamentos. Usando perfis de metilação de 987 linhagens celulares do genoma completo na base de dados Genomics of Drug Sensitivity in Cancer (GDSC), utilizamos algoritmos de aprendizado de máquina para avaliar o potencial preditivo de respostas citotóxicas para oito drogas contra o câncer. Nós comparamos a performance de cinco algoritmos de classificação e quatro algoritmos de regressão representando metodologias diversas, incluindo abordagens tree-, probability-, kernel-, ensemble- e distance-based. Aplicando sub-amostragem artificial em graus variados, essa pesquisa procura avaliar se o treinamento baseado em resultados relativamente extremos geraria melhoria no desempenho. Ao utilizar algoritmos de classificação e de regressão para prever respostas discretas ou contínuas, respectivamente, nós observamos consistentemente excelente desempenho na predição quando os conjuntos de treinamento e teste consistiam em dados de linhagens celulares. Algoritmos de classificação apresentaram melhor desempenho quando nós treinamos os modelos utilizando linhagens celulares com valores de resposta a drogas relativamente extremos, obtendo valores de area-under-the-receiver-operating-characteristic-curve de até 0,97. Os algoritmos de regressão tiveram melhor desempenho quando treinamos os modelos utilizado o intervalo completo de valores de resposta às drogas, apesar da dependência das métricas de desempenho utilizadas. O estudo de caso 2 avaliou dados de RNA-seq, dados estes comumente utilizados no estudo da eficácia de drogas. Aplicando uma abordagem de aprendizado semi-supervisionado, essa pesquisa busca avaliar o impacto da combinação de dados rotulados e não-rotulados para melhorar a predição do modelo. Usando dados rotulados de RNA-seq do genoma completo de uma média de 125 amostras de tumor AML rotuladas da base de dados Beat AML (separados por tipos de droga) e 151 amostras de tumor AML não-rotuladas na base de dados The Cancer Genome Atlas (TCGA), utilizamos uma estrutura de modelo semi-supervisionado para prever respostas citotóxicas para quatro drogas contra câncer. Modelos semi-supervisionados foram gerados, avaliando várias combinações de parâmetros e foram comparados com os algoritmos supervisionados de classificação. / [en] Accurately predicting drug responses for a given sample based on molecular features may help to optimize drug-development pipelines and explain mechanisms behind treatment responses. In this dissertation, two case studies were generated, each applying different genomic data to predict drug response. Case study 1 evaluated DNA methylation profile data as one type of molecular feature that is known to drive tumorigenesis and modulate treatment responses. Using genome-wide, DNA methylation profiles from 987 cell lines in the Genomics of Drug Sensitivity in Cancer (GDSC) database, we used machine-learning algorithms to evaluate the potential to predict cytotoxic responses for eight anti-cancer drugs. We compared the performance of five classification algorithms and four regression algorithms representing diverse methodologies, including tree-, probability-, kernel-, ensemble- and distance-based approaches. By applying artificial subsampling in varying degrees, this research aims to understand whether training based on relatively extreme outcomes would yield improved performance. When using classification or regression algorithms to predict discrete or continuous responses, respectively, we consistently observed excellent predictive performance when the training and test sets consisted of cell-line data. Classification algorithms performed best when we trained the models using cell lines with relatively extreme drug-response values, attaining area-under-the-receiver-operating-characteristic-curve values as high as 0.97. The regression algorithms performed best when we trained the models using the full range of drug-response values, although this depended on the performance metrics we used. Case study 2 evaluated RNA-seq data as one of the most popular molecular data used to study drug efficacy. By applying a semi-supervised learning approach, this research aimed to understand the impact of combining labeled and unlabeled data to improve model prediction. Using genome-wide RNA-seq labeled data from an average of 125 AML tumor samples in the Beat AML database (varying by drug type) and 151 unlabeled AML tumor samples in The Cancer Genome Atlas (TCGA) database, we used a semi-supervised model structure to predict cytotoxic responses for four anti-cancer drugs. Semi-supervised models were generated, while assessing several parameter combinations and were compared against supervised classification algorithms.