Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/51121
Tipo: | Tese |
Título: | GRaSP: uma estratégia de aprendizagem supervisionada baseada em grafos de vizinhança de resíduo para previsão de sítio de ligação |
Autor(es): | Charles Abreu Santana |
Primeiro Orientador: | Sabrina de Azevedo Silveira |
Primeiro Coorientador: | Raquel Cardoso de Melo Minardi |
Primeiro membro da banca : | Maria Goreti de Almeida Oliveira |
Segundo membro da banca: | Lucas Bleicher |
Terceiro membro da banca: | Mariana Torquato Quezado de Magalhaes |
Quarto membro da banca: | Carlos Henrique da Silveira |
Resumo: | As proteínas são macromoléculas importantes para a manutenção dos sistemas biológicos e que participam de processos vitais para a célula. A atividade proteica é desempenhada através de interações físico-químicas entre a proteína com outras moléculas denominadas ligantes. Sejam compostos orgânicos, íons metálicos, ácidos nucleicos ou até mesmo outras proteínas, os ligantes acoplam-se à proteína para que sua atividade seja devidamente desempenhada. A região na proteína onde essas interações ocorrem são chamadas de sítios de ligação. A identificação e caracterização dessas regiões é de suma importância para determinar a função de uma proteína, que é uma das etapas necessárias em áreas como o planejamento e desenvolvimento de novos fármacos. Devido a questões experimentais, a localização dessas regiões pode não ser trivial, sendo necessário o apoio de métodos automáticos para auxiliar na sua identificação. Nesta tese é proposto o GRaSP, uma estratégia baseada em aprendizagem de máquina para previsão de sítio de ligação que utiliza como insumo grafos de vizinhança de resíduo. A partir de experimentos usando bases de dados de estruturas de proteínas diversas, o GRaSP demonstrou ser robusto, apresentando resultados compatíveis ou superiores em relação às ferramentas já consolidadas pelas literatura. Além disso, devido à modelagem simples e informativa disponibilizada pelos grafos, o algoritmo mostrou-se eficiente. Enquanto métodos já consolidados levam em torno de 5 horas de processamento, em seus servidores, para estruturas de proteínas com aproximadamente 300 resíduos, o GRaSP é capaz de processá-las com um tempo médio de 20 segundos. |
Abstract: | Proteins are macromolecules crucial for the maintenance of biological systems and participate in vital processes for the cell. Protein activity is performed through physicochemical interactions between the protein and other molecules called ligands. These ligands comprise organic compounds, metal ions, nucleic acids or even other proteins, in which attach to the protein so that its activity is properly performed. The region on the protein where these interactions take place is called binding sites. The identification and characterization of these regions is crucial to determine the function of a protein, which is one of the necessary steps in areas such as the design and development of new drugs. Due to experimental issues, the location of these regions may not be trivial, requiring the support of automatic methods to assist in their identification. In this thesis, the GRaSP is proposed, a machine learning-based strategy for binding site prediction that uses residue neighborhood graphs as input. From experiments using databases of different protein structures, GRASP proved to be robust, presenting compatible or better results in relation to the tools already consolidated in the literature. Furthermore, due to the simple and informative modeling provided by the graphs, the algorithm proved to be efficient. While already consolidated methods take around 5 hours of processing for protein structures with approximately 300 residues, the GRASP is able to process them in an average time of 20 seconds. |
Assunto: | Proteína Sítio de ligação Grafo Aprendizagem supervisionada |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Departamento: | ICB - INSTITUTO DE CIÊNCIAS BIOLOGICAS |
Curso: | Programa de Pós-Graduação em Bioinformatica |
Tipo de Acesso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by/3.0/pt/ |
URI: | http://hdl.handle.net/1843/51121 |
Data do documento: | 31-Ago-2021 |
Aparece nas coleções: | Teses de Doutorado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
final.pdf | Texto com alterações realizadas | 6.35 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons