[pt] Este trabalho apresenta a síntese e caracterização de 11-tosil-6,6a,11, 11-tetraidro-5H-benzo[a]carbazois análogos ao LQB223, um composto previamente sintetizado em nosso grupo de pesquisa que tem ação anticâncer e antileishmanial in vitro e ação antimalarial in vitro e in vivo. A etapa chave da reação para a obtenção dos 5-metoxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (97a), 6-metoxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (97b) e 7-metoxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (97c) envolve uma reação de aza-arilação de Heck catalisada por paládio na presença de carbonato de prata e acetona entre o N-tosil-o-iodoanilina (55b) e dihidronaftalenos substituídos (100a, 100b, e 100c), preparados previamente a partir de tetralonas comerciais (84a, 84b, 84c). Os compostos 5-hidroxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (98a), 6-hidroxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (98b) e o 7-hidroxi-11a-N-arilsulfonil-tetrahidro-5H--benzo[a]carbazol (98c) foram obtidos através da desproteção das metoxilas com BBr3 em rendimentos quantitativos. Todos os compostos foram avaliados quanto a ação anticâncer em linhagens de leucemia que apesentam o fenótipo MDR lucena e FEPS e em linhagem de leucemia K562 e nas linhagens de câncer de mama MCF-7, que expressa o receptor de estrogênio, e MDA-MD231.Dentre os compostos preparados, o composto 6-metoxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (97b) foi tão ativo quanto o LQB223 frente a ação antileucêmica nas linhagens K562, lucena e FEPS, entretanto foi mais eficaz que o LQB223 nas linhagens de MCF-7 (IC50 igual 5,93 mais ou menos 3,58 MiM) e MDA-MD231 (IC50 igual 8,29 mais ou menos 2,08 MiM), apresentando um nível baixo de toxicidade para as células sadias. Por outro lado, o composto 6-hidroxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (98b), apesar de ser muito ativo em linhagens de câncer mama, possui um alto nível de toxicidade para células sadias e composto 7-hidroxi-11a-N-arilsulfonil-tetrahidro-5H-benzo[a]carbazol (98c) foi eficaz em MDA-MD231 (IC50 igual 4,84) porém ainda não foi avaliado quanto a toxicidade em células sadias. Os dados sugerem que os compostos oxigenados 97b e 98c direciona a ação para o câncer de mama. / [en] This work describes the synthesis and characterization of the 11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazoles analogous to LQB223, a previously synthesized compound by our research group that has anti-cancer and antileishmanial activity in vitro and antimalarial activity in vitro and in vivo. The key step of the reaction for obtaining the 5-methoxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (97a), 6-methoxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (97b) and 7-methoxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (97c) is the palladium catalyzed Heck aza-arylation reaction in the presence of silver carbonate and acetone from N-tosyl-o-iodoaniline (55b) and substituted dihydronaphthalenes (100a, 100b and 100c), previously prepared from commercial tetralones (84a, 84b and 84c). The compounds 5-hydroxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (98a), 6-hydroxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (98b) and 7-hydroxy-11a-N-arylsulfonil-tetrahydro-5H-benzo[a]carbazole (98c) were obtained by deprotection with BBr3 in yields quantitative. All compounds were evaluated for anticancer activity in K562, FEPS and Lucena leukemia cell lines, which exhibit the MDR phenotype, and in breast cancer cell lines MCF-7, which expresses the estrogen receptor, and MDA-MD231.Among the compounds prepared, the compound 97b is as active as LQB223 for the antileukemic activity on K562 lines, and Lucena FEPs, however it is more effective than the LQB223 in MCF-7 (IC50 equal 5.93 plus/minus 3.58 MiM) and MDA-MD231 (IC50 equal 8.29 plus/minus 2.08 uM) breast cancer lines, with low level of toxicity to healthy cells. The compound 98b presents similar activity to 97b but is toxic. The compound 98c is effective in MDA-MD231 (IC50 equal 4,84) but, level of toxicity to healthy cells was not test yet. The reports suggest that the oxygenation pattern in the 3 position directs to the anticancer activity to the breast cancer lines.

[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.