EVENTO
Desenvolvimento de funções de pontuação para predição de afinidade proteína-ligante utilizando em Redes Neurais Profundas
Tipo de evento: Defesa de Dissertação de Mestrado
As metodologias CADD (computer-aided drug design) têm sido utilizadas com êxito na busca de novos emais seguros candidatos a medicamentos farmacêuticos, ajudando a reduzir os altos custos envolvidos nodesenvolvimento de novos compostos. Um dos principais métodos de CADD é a triagem virtual baseada emestrutura (SBVS, do inglês structure-based virtual screening), na qual extensas bibliotecas de compostos e alvosmoleculares são avaliados computacionalmente a fim de classificá-los biologicamente como compostos ativos ouinativos. Neste contexto, uma função de pontuação (scoring function, SF) é usada para prever o valor da afinidadeentre um composto ligado a um alvo proteico de interesse, tendo um papel crucial nos métodos de SBVS. Maisrecentemente, técnicas de Aprendizagem de Máquina e, particularmente, Redes Neurais Profundas, vêm sendoempregadas no desenvolvimento de SF para a predição da afinidade. Neste trabalho, apresentamos odesenvolvimento de SFs baseadas em modelos de Redes Neurais Convolutivas e Redes Neurais Residuais com ouso do programa DockTDeep, desenvolvido pelo GMMSB, visando possibilitar o uso de tais funções em aplicaçõesde SBVS. São realizadas também diversas análises da influência dos principais componentes utilizados naconstrução do modelo preditivo, como a representação baseada em grade de voxel e tratamento de dados decomplexos proteína-ligante, funções de custo para otimização do modelo, estratégias de regularização e técnicasde aumento de dados, bem como análises em relação aos vieses dos conjuntos de dados e suas representações.Os modelos desenvolvidos obtiveram resultados competitivos em relação a outras funções de pontuaçãopresentes na literatura, ao mesmo tempo que partem de uma construção mais simples que dispensa o uso dedescritores manualmente selecionados por especialistas em modelagem molecular. Tais resultados demonstrama viabilidade prática e potencial do uso de funções de pontuação baseadas em Redes Neurais Profundas paraaplicações de SBVS.
Local: LNCC - Laboratório Nacional de Computação Ciêntifica
Endereço: Getúlio Vargas Av., 333, Quitandinha Petrópolis - Rio de Janeiro CEP 25651-075 - Brasil
Telefone: (24) 2233.6004
Data Início: 04/03/2022 Data Fim: 04/03/2022
Aluno: Lincon Onório Vidal - - LNCC
Orientador: Laurent Emmanuel Dardenne - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: André da Motta Salles Barreto - GOOGLE - Fabio Lima Custodio - Laboratório Nacional de Computação Científica - LNCC Laurent Emmanuel Dardenne - Laboratório Nacional de Computação Científica - LNCC Rafaela Salgado Ferreira - Universidade Federal de Minas Gerais - UFMG
