Banca de QUALIFICAÇÃO: GLAUCO ENDRIGO MOURA DE LIMA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : GLAUCO ENDRIGO MOURA DE LIMA
DATA : 01/10/2024
HORA: 14:00
LOCAL: Sala 406 do Bloco B do Campus de Santo André da Universidade Federal do ABC
TÍTULO:

Reclassificação de poses de docking proteína-ligante utilizando gGaph  neural networks com mapa de contato proteína-ligante.

PÁGINAS: 45
RESUMO:

O processo de identificação de novas moléculas ou compostos que possam ser utilizados como fármacos para o tratamento de doenças é conhecido como Drug discovery. Esse processo pode envolver várias etapas, incluindo a identificação de alvos terapêuticos, triagem de compostos, otimização de moléculas e testes pré-clínicos. A pesquisa na área do docking proteína-ligante, explora possíveis posições de ligação do ligante em um alvo molecular específico e também tenta predizer a afinidade dessa ligação. Os softwares de acoplamento molecular, por mais eficazes que sejam, apresentam consideráveis limitações como: falta de confiança na capacidade das funções de pontuação de fornecerem energias de ligação precisas. Isso decorre do fato de que alguns termos de interação intermolecular são dificilmente previstos com precisão, como por exemplo o efeito de solvatação e a mudança de entropia. Além disso, algumas interações intermoleculares raramente são consideradas nas funções de pontuação, apesar de terem sido comprovadas como significativas. A contribuição principal esperada deste projeto de mestrado é desenvolver uma ferramenta para reclassificar poses de docking geradas por ferramentas de docking. Até o momento, construímos um conjunto de 284 complexos proteína-ligante extraído  do PDBbind e realizamos cálculos de docking, usando AutoDock Vina. Em seguida, selecionamos  as dez primeiras poses de cada uma e realizamos a análise de contato com o software BINANA. Utilizando as informações de contato, a representação dos complexos proteína-ligante é realizada  de forma que sejam excluídos os átomos de proteína cuja distância mínima aos átomos do ligante seja superior a 4 Å. Cada pose e seu receptor são mapeados como um mapa de contato e depois transformados em um grafo bipartido com descritores que são rotulados como classe positiva ou negativa de acordo com uma combinação de RMSD e contatos nativos. O modelo de redes neurais utilizado foi  Graph Attention Neural Network. Essa qualificação apresenta a implementação do modelo até o momento e os resultados parciais.

MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1563992 - ANA LIGIA BARBOUR SCOTT
Membro Titular - Examinador(a) Interno ao Programa - 1761107 - RICARDO SUYAMA
Membro Titular - Examinador(a) Externo ao Programa - 1373058 - SUZANA DE SIQUEIRA SANTOS
Membro Suplente - Examinador(a) Interno ao Programa - 1603840 - JOAO HENRIQUE KLEINSCHMIDT