Usuario | División de Ciencias Naturales e Ingeniería (DCNI)

Directorio Divisional

Dr. Ricardo Romero Ochoa

Dr. Ricardo Romero OchoaDEPARTAMENTO DE CIENCIAS NATURALES

Resumen Curricular

Miembro del Sistema Nacional de Investigadores (SNI), nivel candidato Maestría y Doctorado en Ciencias (Física), Instituto de Física, UNAM Licenciatura en Física, Facultad de Ciencias, UNAM En el departamento de Ciencias Naturales he impartido las UEAs de Cálculo Diferencial, Cálculo Integral, Física General, Introducción a la termodinámica, Cómputo Científico, Métodos Estadísticos y Óptica

Área de interés/experiencia en investigación

<ul> <li>Biofísica</li> <li>Bioinformática</li> <li>Cómputo Cuántico</li> </ul>

Publicaciones en Revistas

<ol> <li> R. Romero, Little group generators for Dirac neutrino one-particle states, Revista Mexicana de Física , Vol. 67 (1) 25-32, 2021, https://doi.org/10.31349/RevMexFis.67.25. </li> <li> R. Romero, Massless Majorana bispinors and two-qubit entangled states, Revista Mexicana de Física E, Vol. 17 (2) 115-124, 2020, https://doi.org/10.31349/RevMexFisE.17.115. </li> <li> J. Besprosvany and R. Romero, Quark horizontal flavor hierarchy and two-Higgs doublet in (7+1)-dimensional extended spin space, Phys. Rev. D99, 073001 (2019), arXiv:1701.01191[hep-ph]. </li> <li>R. Romero, On the nature of the neutrino, Mod. Phys. Lett. A 31, 1650113 (2016), arXiv:1605.02975.</li> <li>J. Besprosvany and R. Romero, Representation of quantum field theory in an extended spin space and fermion mass hierarchy, Int. J. Mod. Phys. A 29, 1450144 (2014), arXiv:1408.4066[hep-th].</li> </ol>

Memorias de Congreso

<ol><li>J. Besprosvany and R. Romero. Particles within extended-spin space: Lagrangian connection. Nuclear and Particle Physics Proceedings, 267-269:199–206, (2015). X Latin American Symposium of High Energy Physics.</li><li>J. Besprosvany, R. Romero, Extended spin symmetry and the standard model, AIP Conf. Proc. 1323 16–27,  (2010).</li></ol>

Capítulos en Libros

Libros

Formación de Recursos Humanos

Proyectos terminales:  <ul> <li>Obtención y análisis de la curva de patogénesis del Sars-Cov-2, Ximena Santos de la O, Licenciatura en Biología Molecular, 2022.</li> <li>Aprendizaje de máquina en el diseño de fármacos in silico, Karla Paulina Guzmán Barrenechea, María de Jesús Arellano González, Licenciatura en Biología Molecular, 2022.</li> <li>Identificación de posibles inhibidores para el tratamiento de la esclerosis múltiple mediante herramientas computacionales, Elliout Riduot Buhl, Licenciatura en Biología Molecular, 2024.</li> <li> <h1>Temas para proyectos terminales:</h1> </li> <li> Análisis de reposicionamiento de fármacos: </li> <li> El reposicionamiento de fármacos, también conocido como reubicación de medicamentos, implica identificar nuevos usos terapéuticos para medicamentos existentes. Los métodos computacionales desempeñan un papel crucial en la selección de grandes bibliotecas de compuestos para predecir posibles candidatos a medicamentos para reutilización en diferentes enfermedades. Al aprovechar herramientas de bioinformática y quimioinformática, se puede acelerar el proceso de descubrimiento de medicamentos y descubrir nuevas opciones de tratamiento. Flujo de trabajo: 1. Recopilación de Datos: - Recopilar datos sobre medicamentos aprobados y sus objetivos conocidos de bases de datos de medicamentos como DrugBank o PubChem. - Obtener datos de expresión génica específicos de la enfermedad o perfiles moleculares para la enfermedad objetivo. 2. Cribado Virtual: - Realizar un cribado virtual utilizando software de acoplamiento molecular (por ejemplo, AutoDock Vina) para predecir interacciones entre los compuestos de medicamentos y objetivos relacionados con la enfermedad. - Clasificar a los posibles candidatos a medicamentos en función de la afinidad de unión y los puntajes de energía de interacción. 3. Predicción de ADMET: - Predecir las propiedades de Absorción, Distribución, Metabolismo, Excreción y Toxicidad (ADMET) de los medicamentos candidatos utilizando herramientas de predicción de ADMET computacional. - Filtrar compuestos con propiedades farmacocinéticas desfavorables.   </li> <li> Estudios de Acoplamiento Proteína-Ligando: </li> <li> Los estudios de acoplamiento proteína-ligando implican simulaciones computacionales para predecir los modos de unión e interacciones entre objetivos proteicos y ligandos de moléculas pequeñas. Al explorar los aspectos estructurales de los complejos proteína-ligando, se pueden diseñar y optimizar candidatos a medicamentos con una mayor afinidad y especificidad de unión. Flujo de trabajo: 1. Preparación de la Proteína: - Obtener la estructura 3D del objetivo proteico de bancos de proteínas como PDB. - Preparar la estructura de la proteína eliminando moléculas de agua, agregando átomos faltantes y asignando cargas. 2. Preparación del Ligando: - Obtener estructuras 2D o representaciones SMILES de ligandos de moléculas pequeñas de bases de datos químicas. - Convertir las estructuras de los ligandos a conformaciones 3D y optimizar su geometría. 3. Simulación de Acoplamiento: - Realizar simulaciones de acoplamiento molecular utilizando software como AutoDock vina - Generar poses de unión de ligandos dentro del sitio de unión de la proteína y calcular las energías de unión. 4. Análisis y Visualización: - Analizar los resultados de acoplamiento para identificar interacciones clave entre la proteína y el ligando, incluidos enlaces de hidrógeno, contactos hidrofóbicos e interacciones electrostáticas. - Visualizar los complejos proteína-ligando para comprender los modos de unión y los determinantes estructurales de la afinidad de unión.   </li> <li> Análisis de la Red de Interacción Fármaco-Objetivo: </li> <li> El análisis de la red de interacción fármaco-objetivo implica la construcción y análisis de redes que representan las relaciones entre fármacos, objetivos y enfermedades. Al integrar las interacciones fármaco-objetivo con la topología de la red y las anotaciones funcionales, se pueden descubrir posibles oportunidades de reubicación de medicamentos, predecir efectos secundarios de medicamentos y elucidar relaciones complejas fármaco-objetivo. Flujo de trabajo: 1. Integración de Datos: - Compilar datos de interacción fármaco-objetivo de bases de datos públicas y fuentes de literatura. - Recopilar datos de expresión génica específicos de la enfermedad o información clínica para los objetivos de medicamentos. 2. Construcción de Redes: - Construir una red de interacción fármaco-objetivo bipartita que vincule medicamentos con sus proteínas objetivo. - Ampliar la red incorporando asociaciones de enfermedades, similitudes de fármacos e interacciones proteína-proteína. 3. Análisis de la Red: - Analizar propiedades de la red como la distribución de grados, el coeficiente de agrupamiento y medidas de centralidad para identificar medicamentos clave, objetivos o módulos de enfermedades. - Realizar algoritmos de detección de comunidades para descubrir módulos funcionales dentro de la red de interacción fármaco-objetivo. 4. Enriquecimiento Funcional: - Realizar análisis de enriquecimiento funcional para anotar objetivos de medicamentos con vías biológicas, funciones moleculares y asociaciones de enfermedades. - Identificar términos y vías enriquecidas asociadas con los objetivos de medicamentos y posibles efectos terapéuticos.   </li> <li> Modelado de Biología de Sistemas: </li> <li> El modelado de biología de sistemas implica desarrollar modelos matemáticos para simular sistemas biológicos y comprender interacciones complejas entre genes, proteínas y metabolitos. Al integrar datos ómicos, algoritmos matemáticos y simulaciones computacionales, se puede predecir el comportamiento del sistema, identificar mecanismos regulatorios clave y descubrir propiedades emergentes de los sistemas biológicos. Flujo de trabajo: 1. Integración de Datos: - Integrar datos ómicos (por ejemplo, genómica, transcriptómica, proteómica) de repositorios públicos o estudios experimentales. - Curar datos de interacciones moleculares, vías de señalización y redes regulatorias para el sistema biológico de interés. 2. Desarrollo del Modelo: - Elegir un enfoque de modelado apropiado (por ejemplo, modelos de EDO, redes booleanas, modelos basados en agentes) en función de la complejidad del sistema biológico. - Definir parámetros del modelo, condiciones iniciales e interacciones para representar el comportamiento dinámico del sistema. 3. Simulación y Análisis: - Simular el modelo matemático utilizando herramientas computacionales como Mathematica, Python o software especializado para el modelado de biología de sistemas. - Analizar los resultados de la simulación para predecir la dinámica del sistema, la estabilidad y la respuesta a perturbaciones o estímulos. 4. Validación del Modelo: - Validar las predicciones del modelo frente a datos experimentales o fenómenos biológicos conocidos. - Refinar los parámetros y suposiciones del modelo en función de los resultados de validación para mejorar la precisión y el poder predictivo del modelo.   </li> <li> Diseño de Fármacos Computacional </li> <li> El diseño de fármacos computacional implica el uso de técnicas computacionales avanzadas para diseñar nuevos inhibidores de moléculas pequeñas o candidatos a fármacos con propiedades optimizadas para objetivos específicos. Al aprovechar la modelización molecular, el cribado virtual y la modelización de farmacóforos, se puede acelerar el proceso de descubrimiento de fármacos e identificar compuestos potenciales con efectos terapéuticos mejorados. Flujo de Trabajo: 1. Identificación del Objetivo: - Identificar un objetivo biológico específico o una proteína asociada con una enfermedad o vía de interés. - Recopilar información estructural sobre la proteína objetivo de bases de datos como PDB o modelado de homología. 2. Modelización Molecular: - Construir modelos moleculares 3D de la proteína objetivo y posibles ligandos utilizando software como PyMOL o Schrödinger Suite. - Realizar simulaciones de acoplamiento proteína-ligando para predecir modos de unión e interacciones. 3. Cribado Virtual: - Cribar grandes bibliotecas químicas o bases de datos de compuestos utilizando herramientas de cribado virtual como AutoDock Vina. - Filtrar y priorizar posibles candidatos a fármacos en función de puntuaciones de unión e interacciones con el objetivo. 4. Modelización de Farmacóforos: - Generar modelos de farmacóforos basados en interacciones clave entre ligandos y proteínas objetivo. - Utilizar modelos de farmacóforos para diseñar nuevos compuestos u optimizar moléculas existentes para una mejor afinidad de unión. 5. Evaluación de la Adecuación de Fármacos y Propiedades ADMET: - Evaluar la adecuación de fármacos de los compuestos diseñados en función de la regla de los cinco de Lipinski y otras propiedades farmacocinéticas. - Predecir propiedades ADMET (Absorción, Distribución, Metabolismo, Excreción y Toxicidad) utilizando herramientas computacionales como ADMET Predictor. 6. Predicción de la Afinidad de Unión: - Calcular la afinidad de unión de los compuestos diseñados a la proteína objetivo utilizando simulaciones de dinámica molecular o funciones de puntuación. - Validar la afinidad de unión predicha a través de ensayos experimentales o métodos de validación in silico.   </li> </ul>

Otra Información de Relevancia Académica

Ganador del premio a la docencia de la DCNI 2021 <h1>  </h1>