ISBN
979-13-88349-25-6
Fecha de publicación
31-07-2026
Licencia
D. R. © copyright 2026. Iván Antonio García Montalvo, Marco Antonio Sánchez Medina y Alma Dolores Pérez Santiago.
Todos los contenidos de esta obra se comparten bajo la licencia Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esto implica que no está autorizado el uso comercial de la obra original ni de las eventuales obras derivadas, las cuales deberán distribuirse bajo la misma licencia que rige la obra original. No obstante, se permite a terceros compartir el contenido siempre y cuando se reconozca debidamente la autoría y la publicación original en esta editorial.
Miriam Avendaño Villegas
SECIHTI- Tecnológico Nacional de México/Instituto Tecnológico de Oaxaca
0000-0002-4871-8658
Carlos Romero Díaz
Tenológico Nacional de México/Instituto Tecnológico de Oaxaca
0000-0002-7524-067X
Alexis Martínez Barras
Tenológico Nacional de México/Instituto Tecnológico de Oaxaca
0009-0004-3543-7875
Idarh Matadamas Ortíz
Tenológico Nacional de México/Instituto Tecnológico de Oaxaca
0000-0001-9358-9763
Magarito Martínez Cruz
Tenológico Nacional de México/Instituto Tecnológico de Oaxaca
0000-0002-0379-4630
Acerca de
El modelado in silico y la bioquímica computacional se han consolidado como herramientas fundamentales para el estudio de biomoléculas y el análisis de enfermedades desde una perspectiva molecular. Estas aproximaciones permiten simular interacciones entre proteínas, ácidos nucleicos y compuestos químicos mediante métodos computacionales, facilitando la predicción de procesos biológicos sin necesidad de realizar experimentos invasivos o costosos en las etapas iniciales de la investigación. En los últimos años, el acceso a bases de datos moleculares, el desarrollo de algoritmos de predicción estructural y el aumento de la capacidad de cómputo han favorecido la aplicación de estas herramientas en el campo biomédico.
En este capítulo se presentan ejemplos recientes del uso de herramientas de bioquímica computacional desarrolladas por investigadores mexicanos, particularmente en el análisis de enfermedades endémicas del sur-sureste de México, como el dengue y otras arbovirosis. Se describen aplicaciones que incluyen minería de datos clínicos para diferenciar entre dengue con signos de alerta y dengue grave, así como modelos computacionales para la clasificación de enfermedades arbovirales mediante conjuntos de datos sintéticos derivados de la literatura científica.
Asimismo, se abordan otras aplicaciones del modelado molecular en el estudio de enfermedades hereditarias, metabólicas y neurodegenerativas, destacando cómo técnicas como el acoplamiento molecular, la dinámica molecular y el modelado estructural permiten analizar el impacto funcional de mutaciones genéticas, estudiar la interacción entre biomoléculas y evaluar posibles herramientas diagnósticas a nivel molecular.
Referencias
Meixueiro VHO, Hernández-Huerta MT, Pérez-Campos Mayoral LC, Cruz-Parada E, Ortiz JOL, Valdez NG, et al. Using data mining to differentiate dengue with warning signs from severe dengue: a predictive model from Oaxaca, Mexico. Am J Trop Med Hyg. 2025;113(3):508-515.
Cruz-Parada E, Vivar-Estudillo G, Pérez-Campos Mayoral L, Hernández-Huerta MT, Pérez-Santiago AD, Romero-Diaz C, et al. Proof-of-concept machine learning framework for arboviral disease classification using literature-derived synthetic data: methodological development preceding clinical validation. Healthcare (Basel). 2026;14(2):247.
Cruz-Parada E, Vivar-Estudillo G, Pérez-Campos Mayoral L, Hernández-Huerta MT, Pérez-Santiago AD, Romero-Diaz C, et al. Synthetic and encoded database of dengue, Zika, chikungunya, and influenza derived from the literature. Data. 2026;11(2):33.
Sayers EW, Bolton EE, Brister JR, Canese K, Chan J, Comeau DC, et al. Database resources of the National Center for Biotechnology Information. Nucleic Acids Res. 2021;49(D1):D10-D17.
Burley SK, Berman HM, Bhikadiya C, Bi C, Chen L, Di Costanzo L, et al. Protein Data Bank: the single global archive for 3D macromolecular structure data. Nucleic Acids Res. 2019;47(D1):D520-D528.
Vidal-Limon A, Aguilar-Toalá JE, Liceaga AM. Integration of molecular docking analysis and molecular dynamics simulations for studying food proteins and bioactive peptides. J Agric Food Chem. 2022;70(4):934-943.
Paggi JM, Pandit A, Dror RO. The art and science of molecular docking. Annu Rev Biochem. 2024;93:389-410.
Śledź P, Caflisch A. Protein structure-based drug design: from docking to molecular dynamics. Curr Opin Struct Biol. 2018;48:93-102.
Naqvi AAT, Mohammad T, Hasan GM, Hassan MI. Advancements in docking and molecular dynamics simulations towards ligand-receptor interactions and structure-function relationships. Curr Top Med Chem. 2018;18(20):1755-1768.
McEntagart M, Smith MJ, Evans DG, Woodward ER, Raymond FL, Lalloo F, et al. Assessing the clinical utility of protein structural analysis in genomic variant classification: experiences from a diagnostic laboratory. Genome Med. 2022;14:83.
Nielsen SV, Stein A, Dinitzen AB, Papaleo E, Tatham MH, Poulsen EG, et al. Predicting the impact of Lynch syndrome–causing missense mutations from structural calculations. PLoS Genet. 2017;13(4):e1006739.
Mardian Y, Kurniawan F, Haryanto A, Pratiwi D, Suryani A, Wibowo FR, et al. In silico study of aptamer–insulin interaction for biosensor development in diabetes detection. Indones J Chem. 2024;24(3).
Ogunyemi OM, Afolabi SO, Akindele AJ, Ojo OA, Ojo AB, Adewumi OB, et al. In silico investigation of karanjin as a potential therapeutic agent against neurodegenerative diseases. Molecules. 2022;27(9):2834.