dc.creator | Silva, Raphael Giordano do Nascimento e | |
dc.date.accessioned | 2019-05-20T12:04:16Z | |
dc.date.available | 2019-05-20T12:04:16Z | |
dc.date.issued | 2018-08-27 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/16579 | |
dc.description.abstract | A new drug discovery is financially costly and time-consuming. To deal this issue, the Rational
Drug Design process investigates the macromolecular interaction between receptor
molecules and drug-candidate ligands. Through molecular docking experiments it becomes
possible to evaluate the binding quality between these molecules. To simulate the flexibility
of the receptor, molecular dynamics simulations can be performed, where the protein
is represented by a distinct conformation at each instant of time. Thus, molecular docking
experiments can be performed on these different conformations. Several machine learning
techniques can be used to mine these data. This work presents an approach for artificial
neural networks deep learning, which uses as input several conformation about a given
protein, generated through molecular dynamic simulations. These conformation are described
in terms of its atoms tridimensional coordinates, labeled by a target attribute FEB,
which points out the quality about each conformation in molecular docking experiments. In
the deep learning approaches proposed in this work, we consider as input both these raw
data, as well as we consider an approach that makes use of clustering experiments that
generates a good parallelepiped surface for each atom, instead of the raw data. These
strategies are implemented in terms deep feedforward networks and deep convolutional
networks algorithms. For both architectures, the clustering-based strategy showed up promising
results. However, models generated through deep feedforward showed up the best
global results, being that those with the DBSCAN-Clustering-based approach highlight from
the other ones. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Aprendizagem profunda | por |
dc.subject | Redes neurais convolucionais | por |
dc.subject | Docagem molecular | por |
dc.subject | Deep learning | eng |
dc.subject | Convolutional neural networks | eng |
dc.subject | Molecular docking | eng |
dc.title | Deep learning para seleção de conformações de proteínas considerando suas propriedades tridimensionais | por |
dc.title.alternative | Deep learning on protein conformation selection considering their tridimensional properties | eng |
dc.type | Dissertação | por |
dc.description.resumo | A descoberta de novos fármacos é custosa, tanto financeiramente como em tempo. Para
tratar essa questão, o processo de Desenho Racional de Fármacos investiga a interação
entre moléculas receptoras e ligantes candidatos a fármacos. Por meio de experimentos
de simulação de docagem molecular é possível avaliar a qualidade da ligação entre essas
moléculas. Para simular a flexibilidade do receptor, podem ser executados simulações de
dinâmica molecular, onde a proteína é representada por uma conformação distinta em cada
instante de tempo. Assim, os experimentos de docagem molecular podem ser executados
sobre essas diferentes conformações. Diversas técnicas de aprendizagem de máquina podem
ser utilizadas para minerar esses dados. Esta dissertação apresenta uma abordagem
para redes neurais deep learning que utiliza como dados de entrada diferentes conformações
de uma proteína, geradas por meio de simulações de dinâmica molecular. Essas
conformações são descritas em termos das coordenadas tridimensionais dos átomos que
a compõem, rotuladas por um atributo alvo FEB (Free Energy of Binding), que relaciona
a interação entre a conformação do receptor e o ligante em experimentos de docagem
molecular. Nas abordagens de deep learning propostas neste trabalho, são considerados
como entrada tanto esses dados brutos, como são considerados uma abordagem que
utiliza resultados agrupamento de dados para gerar um bloco com intervalos ideais para
cada átomo, em vez dos dados brutos. Essas propostas são implementadas em termos
de redes neurais deep feedforward e convolucional. As estratégias são comparadas com
redes neurais com a mesma arquitetura, sem o uso dos blocos. Para ambas arquiteturas,
a estratégia de utilizar os blocos gerados por agrupamento mostrou resultados promissores.
Entretanto os modelos gerados a partir da arquitetura deep feedforward apresentam
os melhores resultados globais, sendo que aqueles com abordagem de agrupamento por
DBSCAN destacam-se frente às outras duas abordagens. | por |
dc.contributor.advisor1 | Winck, Ana Trindade | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5075974938483862 | por |
dc.contributor.referee1 | Machado, Karina dos Santos | |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/3528633359332021 | por |
dc.contributor.referee2 | Silva, Luís Alvaro de Lima | |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/8066370508832550 | por |
dc.creator.Lattes | http://lattes.cnpq.br/5913037348154812 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciência da Computação | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | por |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.unidade | Centro de Tecnologia | por |