Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária

Detalhes bibliográficos
Autor(a) principal: Moreira, Carlos Alves
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418
Resumo: Orientadora: Profa. Dra. Ana Lígia Barbour Scott
id UFBC_82b9aa85b1f70aaeee78f5134371bf6d
oai_identifier_str oai:BDTD:126418
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciáriaPROTEÍNASAGREGAÇÃO DE PROTEÍNASPREDITORESAPRENDIZADO DE MÁQUINARANDOMFORESTPROTEINAGGREGATION PROTEINPREDICTORSMACHINE LEARNINGPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCOrientadora: Profa. Dra. Ana Lígia Barbour ScottTese (doutorado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2023.A expectativa de vida global está aumentando, mas junto com esse aumento, observa-se um aumento na incidência de doenças neurodegenerativas, como Parkinson, Alzheimer, Esclerose Lateral Amiotrófica, Diabetes Tipo II, doença de Huntington e Atrofia Muscular Espinhal. Embora muitas pesquisas tenham sido realizadas nessa área, ainda não temos um entendimento completo das bases moleculares dessas doenças. Estudos recentes sugerem que essas doenças podem estar relacionadas a alterações nas proteínas, que desempenham um papel crucial nos processos biológicos, dependendo de sua estrutura tridimensional (3D) ou conformação nativa. Pesquisas recentes sugerem que segmentos curtos de aminoácidos presentes em proteínas precursoras de amiloide podem desempenhar um papel no desenvolvimento dessas agregações, tornando essas regiões alvos promissores para investigações futuras. Um dos desafios atuais na área de bioinformática é desenvolver métodos precisos de predição de regiões propensas à agregação. Em trabalhos anteriores, utilizamos técnicas de aprendizado de máquina para desenvolver o Magre-I, um método que permitiu a predição de regiões de agregação com base na sequência primária de aminoácidos das proteínas com base em um modelo de consenso para classificação. Agora, apresentamos o Magre-II, uma abordagem aprimorada que utiliza anotações experimentais de agregação e a estrutura tridimensional (3D) das proteínas, empregando um modelo de análise da esfera de vizinhança dos resíduos para realizar o treinamento e as predições. Comparando-o com outros preditores amplamente utilizados, demonstramos que o Magre-II possui um alto potencial para prever e regiões propensas à agregação da proteína. A integração de informações experimentais de agregação e com as informações da estrutura 3D das proteínas oferece uma abordagem mais abrangente para a predição dessas regiões críticas. Essa metodologia contribui não apenas na compreensão dos mecanismos moleculares envolvidos na agregação protéica, como também na identificação de potenciais alvos terapêuticos e no desenvolvimento de estratégias de intervenção mais eficazes. Em resumo, o Magre-II representa uma contribuição significativa para o campo da bioinformática e estudos relacionados à agregação de proteínas. Sua capacidade de prever regiões propensas à agregação o torna uma ferramenta valiosa para investigações futuras e pode impulsionar avanços significativos no entendimento e tratamento de doenças neurodegenerativas e outras patologias associadas à agregação proteica.Global life expectancy is increasing, but along with this increase, there is a rise in the incidence of neurodegenerative diseases such as Parkinson's, Alzheimer's, Amyotrophic Lateral Sclerosis (ALS), Type II Diabetes, Huntington's disease, and Spinal Muscular Atrophy. Despite extensive research in this field, we still don't have a complete understanding of the molecular basis of these diseases. Recent studies suggest that these diseases may be related to protein alterations, which play a crucial role in biological processes depending on their three-dimensional (3D) structure or native conformation. Recent research suggests that short segments of amino acids present in amyloid precursor proteins may play a role in the development of these aggregations, making these regions promising targets for future investigations. One of the current challenges in the field of bioinformatics is to develop accurate methods for predicting aggregation-prone regions. In previous work, we used machine learning techniques to develop Magre-I, a method that allowed the prediction of aggregation regions based on the primary amino acid sequence of proteins using a consensus model for classification. Now, we present Magre-II, an improved approach that utilizes experimental annotations of aggregation and the three-dimensional (3D) structure of proteins by employing a neighborhood sphere analysis model for training and predictions. Comparing it with other widely used predictors, we demonstrate that Magre-II has high potential for predicting protein aggregation-prone regions. The integration of experimental aggregation information with 3D protein structure provides a more comprehensive approach for predicting these critical regions. This methodology contributes not only to understanding the molecular mechanisms involved in protein aggregation but also to identifying potential therapeutic targets and developing more effective intervention strategies. In summary, Magre-II represents a significant contribution to the field of bioinformatics and studies related to protein aggregation. Its ability to predict aggregation-prone regions makes it a valuable tool for future investigations and may drive significant advancements in understanding and treating neurodegenerative diseases and other pathologies associated with protein aggregation.Scott, Ana Lígia BarbourTakahata, André KazuoMartins Junior, David CorrêaHonório, Káthia MariaSimões, Rafael PlanaMoreira, Carlos Alves2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf99 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418&midiaext=81197Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126418porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2024-02-23T10:43:55Zoai:BDTD:126418Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2024-02-23T10:43:55Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
title Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
spellingShingle Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
Moreira, Carlos Alves
PROTEÍNAS
AGREGAÇÃO DE PROTEÍNAS
PREDITORES
APRENDIZADO DE MÁQUINA
RANDOMFOREST
PROTEIN
AGGREGATION PROTEIN
PREDICTORS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
title_short Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
title_full Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
title_fullStr Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
title_full_unstemmed Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
title_sort Magre-II : predizendo, por meio de aprendizagem de máquina, regiões em proteínas com tendência à agregação utilizando estrutura terciária
author Moreira, Carlos Alves
author_facet Moreira, Carlos Alves
author_role author
dc.contributor.none.fl_str_mv Scott, Ana Lígia Barbour
Takahata, André Kazuo
Martins Junior, David Corrêa
Honório, Káthia Maria
Simões, Rafael Plana
dc.contributor.author.fl_str_mv Moreira, Carlos Alves
dc.subject.por.fl_str_mv PROTEÍNAS
AGREGAÇÃO DE PROTEÍNAS
PREDITORES
APRENDIZADO DE MÁQUINA
RANDOMFOREST
PROTEIN
AGGREGATION PROTEIN
PREDICTORS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
topic PROTEÍNAS
AGREGAÇÃO DE PROTEÍNAS
PREDITORES
APRENDIZADO DE MÁQUINA
RANDOMFOREST
PROTEIN
AGGREGATION PROTEIN
PREDICTORS
MACHINE LEARNING
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
description Orientadora: Profa. Dra. Ana Lígia Barbour Scott
publishDate 2023
dc.date.none.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126418&midiaext=81197
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126418
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
99 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1801502112606060544

Registros relacionados