Desenvolvimento e aplicação de funções escore otimizadas para previsão de afinidade entre proteínas e ligantes

• Ano de defesa: 2020
• Autor(a) principal: Waszak, Rosana da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul; Escola de Ciências; Brasil; PUCRS; Programa de Pós-Graduação em Biologia Celular e Molecular
• Palavras-chave em Português: Funções escore; Interações proteína-ligante; Aprendizado de máquina; Bioinformática; Scoring functions; Protein-ligand Interactions; Machine learning; Bioinformatics; CIENCIAS BIOLOGICAS::BIOLOGIA GERAL
• Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/9136

Cinases são as proteínas mais intensamente estudadas no desenvolvimento e desenho de fármacos. Dentre as cinases, as serino/treonino cinases não específicas representam um sistema proteico interessante para propósitos de modelagem, devido à grande disponibilidade de dados experimentais estruturais e funcionais. As serino/treonino cinases não específicas compreendem uma importante classe de proteínas alvo usadas para o desenvolvimento de fármacos para tratamento de câncer. Neste estudo, foi descrita a criação de modelos de Aprendizado de Máquina para predição de afinidade entre proteínas e ligantes para esta classe enzimática. Foram utilizados para tal termos de energia calculados por Funções Escore clássicas disponíveis em programas como AutoDock4 e AutoDock Vina. Estes termos foram empregados para a criação de novas Funções Escore específicas para um conjunto de dados composto por aproximadamente 100 complexos proteína-ligante, para os quais dados experimentais como a estrutura cristalográfica e a constante de inibição estavam disponíveis. Foi aplicado também um método híbrido que utiliza a simulação de um sistema de massa-mola para determinar a afinidade de ligação, usando o programa Taba. Todas as Funções Escore geradas tiveram sua performance preditiva analisada. Os resultados mostram claramente que os modelos de aprendizado de máquina apresentam capacidade preditiva superior quando comparados com as Funções Escore clássicas. Além disso, os modelos de Aprendizado de Máquina gerados foram capazes de identificar características estruturais, responsáveis pela afinidade de ligação junto a serino/treonino cinases não específicas.