Construção de Funções Empíricas Utilizando Rede Neural para Determinação de Constantes de Afinidade Receptor-Ligante

• Ano de defesa: 2008
• Autor(a) principal: Rêgo, Thais Gaudencio do
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Laboratório Nacional de Computação Científica; Serviço de Análise e Apoio a Formação de Recursos Humanos; BR; LNCC; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Biomoléculas - Estrutura - Simulação por computador; proteínas - Estrutura - Simulação por computador; Atracamento molecular; Desenvolvimento de fármacos; Energia livre; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: https://tede.lncc.br/handle/tede/101

A compreensão dos mecanismos de reconhecimento molecular receptor-ligante é um dos aspectos centrais na descoberta e planejamento de novos fármacos baseado em estrutura. Uma metodologia chave é o atracamento de pequenas moléculas em sítios de ligação de proteínas, o atracamento molecular (em inglês, "molecular docking"). Existem dois pontos chaves em qualquer programa de atracamento: a busca da "melhor" conformação ligante-proteína e o cálculo da energia livre desta associação, ou sua constante de afinidade. Foi construído neste trabalho um conjunto-teste formado por 50 complexos proteína-ligante, com valores de K i ou K d determinados experimentalmente, para a construção de uma função empírica específica para o programa DOCKTHOR, utilizando como variáveis de entrada valores de energias de interação eletrostática e de Lennard-Jones, área de contato ligante-receptor da superfície acessível ao solvente, presença de ligações hidrogênio, e o número de ligações torcionáveis do ligante. Estes variáveis foram utilizados para a construção de dois tipos de funções de cálculo de energia livre. Através de regressão múltipla, foi avaliada a importância de cada uma das variáveis utilizadas como dados de entrada na construção desta função. Utilizando uma rede neural, buscou-se construir o melhor modelo para o cálculo de constantes de afinidade. O programa DOCKTHOR atualmente tem poder de predição correspondente a r = viii 0,4245, o que mostra a importância de se melhorar sua função de avaliação. A função construída com a metodologia de regressão múltipla que obteve melhor resultado foi a que utilizou as 5 variáveis de entrada apresentando termos lineares, cruzados e quadráticos, com r igual a 0,7542. Funções empíricas construídas por redes neurais também foram avaliadas neste trabalho. Utilizando a metodologia de validação cruzada de grupo (VCG) chegou-se à conclusão que a melhor arquitetura para a rede neural é constituída por 9 neurônios na camada oculta, pois possui o menor erro de generalização e a maior homogeneidade nos erros. No teste com esta arquitetura de rede neural, com a função construída utilizando os 50 complexos proteína- ligante no treinamento e os mesmos, no teste, observamos que 66% dos complexos tiveram uma diferença menor que 1,0 dos valores observados em relação aos esperados. O erro de generalização, obtido por VCG, de uma rede neural utilizando 9 neurônios na camada oculta foi cerca de dez vezes menor ao obtido utilizando uma função polinomial. Isto é um indicativo da superioridade da metodologia de rede neural, com relação a metodologia de regressão multivariada, principalmente em uma função empírica desenvolvida para estimar afinidades relativas à uma ampla gama de complexos receptor-ligante.