Desarrollo de novedosas metodologías de elucidación estructural basadas en cálculos computacionales de RMN
| dc.contributor.advisor | Sarotti, Ariel Marcelo | |
| dc.contributor.coadvisor | Zanardi, María Marta | |
| dc.creator | Marcarino, Maribel Oriana | |
| dc.date.accessioned | 2025-05-12T12:38:07Z | |
| dc.date.available | 2025-05-12T12:38:07Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | La necesidad de descubrir nuevas moléculas con valiosas propiedades ha motorizado el avance de diferentes ramas de la química, desde la tradicional exploración de productos naturales hasta los enfoques más recientes de síntesis orientada a la diversidad. El descubrimiento de fármacos, productos naturales, agroquímicos, catalizadores u otros compuestos de interés es un proceso complejo y costoso en el cual convergen diferentes áreas del conocimiento, que dependen de cada caso particular. Si bien tradicionalmente estas etapas se realizan de forma experimental, en años recientes los métodos computacionales se han ido integrando a este esfuerzo multidisciplinario posibilitando no sólo un mejor entendimiento del sistema en estudio sino también una considerable reducción de tiempos y costos. Tan grande ha sido el impacto logrado que en la actualidad muchas de estas herramientas se han transformado en indispensables para ciertos campos disciplinares. Sin embargo, quedan muchos retos que afrontar, los mismos que estimulan la innovación y el mejoramiento de métodos que permitan combinar de forma sinérgica y multidisciplinar las fortalezas que ofrecen diferentes áreas del conocimiento. Así surge la química cuántica como una disciplina que se extiende más allá de los límites tradicionales que separan la química, la física, la biología y la ciencia de la computación; permitiendo la investigación del comportamiento de la materia a nivel molecular mediante un sistema de ordenadores, cuando la investigación de laboratorio sea inapropiada, poco práctica o imposible. La gran capacidad predictiva de la química cuántica podría transformarse en una herramienta de pronóstico y evaluación extraordinariamente más poderosa al incorporar elementos de inteligencia artificial o aprendizaje autónomo (machine learning). El empleo de estas técnicas disruptivas permite analizar bases de datos y detectar patrones de comportamiento entre variables calculables o medibles con propiedades o actividades químicas o biológicas de interés, y en base a ellos poder realizar predicciones sobre nuevos casos. En la presente Tesis Doctoral propone abordar el estudio y desarrollo de herramientas que faciliten el descubrimiento de nuevas moléculas orgánicas valiosas mediante una combinación de métodos experimentales con simulaciones cuánticas de bajo costo computacional y sofisticados métodos estadísticos y de inteligencia artificial. La incorporación de estas técnicas a menudo desconectadas entre sí permitirá brindar nuevas estrategias para aportar soluciones innovadoras a problemas desafiantes y complejos. | |
| dc.description.fil | Fil: Marcarino, Maribel Oriana. Universidad Nacional de Rosario. Facultad de Ciencias Bioquímicas y Farmacéuticas. Instituto de Química Rosario (IQUIR-CONICET); Argentina. | |
| dc.identifier.uri | https://hdl.handle.net/2133/29495 | |
| dc.language.iso | es | |
| dc.rights | embargoedAccess | |
| dc.rights.holder | Marcarino, Maribel Oriana | |
| dc.rights.text | Attribution-NonCommercial-NoDerivs 2.5 Argentina | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/ar/ | |
| dc.subject | RMN | |
| dc.subject | Elucidación estructural | |
| dc.subject | Química Computacional | |
| dc.title | Desarrollo de novedosas metodologías de elucidación estructural basadas en cálculos computacionales de RMN | |
| dc.type | tesis | |
| dc.type.collection | tesis | |
| dc.type.other | tesis de doctorado | |
| dc.type.version | acceptedVersion |