Refinamento manual e automático de modelos tridimensionais de proteínas para o workflow científico MHOLline

• Ano de defesa: 2017
• Autor(a) principal: Rossi, Artur Duque
• Orientador(a): Goliatt, Priscila Vanessa Zabala Capriles
• Banca de defesa: Dardenne, Laurent Emmanuel , Barbosa, Ciro de Barros
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
• Departamento: ICE – Instituto de Ciências Exatas
• País: Brasil
• Palavras-chave em Português: Modelagem de proteínas; Fluxo de dados; MHOLline; Protein Modelling; Workflow
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/5279

O MHOLline é um workflow científico voltado para a modelagem e análise de proteínas, atendendo a pesquisadores de diversas áreas, como Bioinformática, Biofísica, Químicos Computacionais e Biólogos Computacionais. Este projeto, iniciado em 2004 como um software de uso local, tornou-se um serviço web em 2010, através da parceria da Universidade Federal do Rio de Janeiro (UFRJ) com o Laboratório Nacional de Computação Científica (LNCC), o qual pode ser acessado pelo endereço web http : //www.mholline . lncc . br. Em 2013, uma parceria com a Universidade Federal de Juiz de Fora deu início ao projeto do MHOLline 2.0, disponível no endereço web http : //www.mholline2 . lncc .br, que conta com adições de softwares, uma interface completamente nova e uma área de refinamento de resultados para usuários logados. A área do refinamento de resultados oferece a possibilidade aos usuários de adicionar ou trocar o molde da proteína modelada, criar restrições de estrutura secundária no Modeller, clivar regiões de peptídeo sinal e otimizar loops no Modeller, tudo de forma automática, dispensando a necessidade do usuário gerar qualquer script manualmente. Caso o usuário deseje é possível refinar a proteína automaticamente, através do uso de ferramentas de inteligência artificial para classificar os resultados gerados com as opções de restrição modeladas, em grupos, visando reduzir o trabalho de analisar os resultados finais do refinamento. Neste trabalho, apresentamos também uma nova proposta para agrupamento de modelos de proteínas baseado em um conjunto de atributos relacionados com a sua qualidade (e.g. energia e estrutural). Ao usuário, além dos grupos de estruturas com qualidades similares, também é retornada a estrutura representativa de cada grupo, com o objetivo de auxiliar na tomada de decisão de qual ou quais modelos seguirão para os próximos estudos.