Deep learning para seleção de conformações de proteínas considerando suas propriedades tridimensionais
Fecha
2018-08-27Metadatos
Mostrar el registro completo del ítemResumen
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.
Colecciones
El ítem tiene asociados los siguientes ficheros de licencia: