Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs)
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/42713 |
Resumo: | Approximately 60% of pesticides used on plant crops are herbicides aimed at eliminating weeds. The enzyme ALS or acetohydroxy acid synthase (AHAS; EC 2.2.1.6) is targeted for inhibition by five classes of herbicides and is involved in the pathway of branched-chain amino acid biosynthesis (valine, leucine and isoleucine). Continuous exposure of these herbicides to crops has led to the evolution of weeds of herbicide resistant biotypes. These biotypes generally present target-site resistance, with point mutations being documented in several species. The development of plant crops resistant to current herbicides (contributing to only weeds being affected) and the development of new herbicides has become extremely necessary. In search of resistance signatures to two types of herbicides (sulfonylureas and imidazolinones) in ALS, here we link machine learning to molecular modeling data of enzymes with the presence of the inhibitor, with and without mutations. Molecular dynamics simulations, and other structural bioinformatics techniques were taken to attribute selection techniques used in machine learning in order to better discern attributes of ALSs that separate resistant and susceptible. The results suggest that the mechanism of gain or not of resistance to herbicides with mutations is linked to changes in both dynamics, network of contacts and energy profile in the protein-ligand complex. For the sulfonylurea (SU), the alterations in these attributes suggest a greater restoration of the competitive component of the inhibitor in the protein in relation to imidazolinone (IMI), in line with the greater inhibitory component itself reported in the literature for the SU compared to the IMI. In enzymes with the imidazolinone inhibitor, resistance seems to have a direct relationship with allosteric modifications, structurally modifying the cofactors region. In enzymes with the sulfonylurea inhibitor, the resistance pattern suggests a strong relationship with the loss of affinity for the ligand. The results obtained here can contribute to the elucidation of new paths for the sustainable theme of weeds, crops and herbicides. These same results also demonstrate that using machine learning to find patterns amidst a diversity of data returned by modeling and molecular dynamics is a readily applicable and effective strategy |
id |
UFMG_0ba609deb88342f4dea9edfb90a6061b |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/42713 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs)Acetolactato sintasesALSResistência a herbicidasAprendizado de máquinaSeleção de atributosBiologia ComputacionalAcetolactato SintaseResistência a HerbicidasAprendizado de MáquinaApproximately 60% of pesticides used on plant crops are herbicides aimed at eliminating weeds. The enzyme ALS or acetohydroxy acid synthase (AHAS; EC 2.2.1.6) is targeted for inhibition by five classes of herbicides and is involved in the pathway of branched-chain amino acid biosynthesis (valine, leucine and isoleucine). Continuous exposure of these herbicides to crops has led to the evolution of weeds of herbicide resistant biotypes. These biotypes generally present target-site resistance, with point mutations being documented in several species. The development of plant crops resistant to current herbicides (contributing to only weeds being affected) and the development of new herbicides has become extremely necessary. In search of resistance signatures to two types of herbicides (sulfonylureas and imidazolinones) in ALS, here we link machine learning to molecular modeling data of enzymes with the presence of the inhibitor, with and without mutations. Molecular dynamics simulations, and other structural bioinformatics techniques were taken to attribute selection techniques used in machine learning in order to better discern attributes of ALSs that separate resistant and susceptible. The results suggest that the mechanism of gain or not of resistance to herbicides with mutations is linked to changes in both dynamics, network of contacts and energy profile in the protein-ligand complex. For the sulfonylurea (SU), the alterations in these attributes suggest a greater restoration of the competitive component of the inhibitor in the protein in relation to imidazolinone (IMI), in line with the greater inhibitory component itself reported in the literature for the SU compared to the IMI. In enzymes with the imidazolinone inhibitor, resistance seems to have a direct relationship with allosteric modifications, structurally modifying the cofactors region. In enzymes with the sulfonylurea inhibitor, the resistance pattern suggests a strong relationship with the loss of affinity for the ligand. The results obtained here can contribute to the elucidation of new paths for the sustainable theme of weeds, crops and herbicides. These same results also demonstrate that using machine learning to find patterns amidst a diversity of data returned by modeling and molecular dynamics is a readily applicable and effective strategyAproximadamente 60% dos pesticidas utilizados em culturas de plantas são herbicidas destinados à eliminação de plantas daninhas. A enzima ALS ou acetohidroxiácido sintase (AHAS; EC 2.2.1.6) é alvo de inibição por cinco classes de herbicidas e está envolvida na via de biossíntese de aminoácidos de cadeia ramificada (valina, leucina e isoleucina). A exposição contínua desses herbicidas às culturas levou à evolução de plantas daninhas de biótipos resistentes a herbicidas. Esses biótipos apresentam geralmente resistência local-alvo, sendo documentadas mutações pontuais em várias espécies. O desenvolvimento de culturas de plantas resistentes aos herbicidas atuais (contribuindo para que apenas as plantas daninhas sejam atingidas) e o desenvolvimento de novos herbicidas se tornou extremamente necessário. Em busca por assinaturas de resistência a dois tipos de herbicidas (sulfoniluréias e imidazolinonas) em ALS, aqui atrelamos o aprendizado de máquina a dados de modelagem molecular de enzimas com a presença do inibidor, com e sem mutações. Simulações de dinâmica molecular, e outras técnicas de bioinformática estrutural foram levadas à técnicas de seleção de atributos utilizadas em aprendizado de máquina de forma a melhor discernir atributos da ALSs que separam resistentes e susceptíveis. Os resultados sugerem que o mecanismo de ganho ou não de resistência aos herbicidas com as mutações está ligado a mudanças tanto na dinâmica, rede de contatos e perfil energético no complexo proteína-ligante. Para a sulfoniluréia (SU) as alterações nestes atributos sugerem uma maior restauração da componente competitiva do inibidor na proteína em relação à imidazolinona (IMI), em consonância com a própria maior componente inibitória relatada na literatura para as SU comparado às IMI. Em enzimas com o inibidor imidazolinona, a resistência parece ter relação direta com modificações alostéricas, modificando estruturalmente a região dos cofatores. Em enzimas com o inibidor sulfonilureia o padrão de resistência sugere uma forte relação com a perda de afinidade pelo ligante. Os resultados aqui obtidos podem contribuir na elucidação de novos caminhos para a temática sustentável de plantas daninhas, culturas e herbicidas. Estes mesmos resultados também demonstram que o uso de aprendizado de máquina para encontrar padrões em meio a uma diversidade de dados retornados pela modelagem e dinâmica molecular é uma estratégia prontamente aplicável e eficaz.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas GeraisCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal de Minas GeraisBrasilICB - INSTITUTO DE CIÊNCIAS BIOLOGICASPrograma de Pós-Graduação em BioinformaticaUFMGRaquel Cardoso de Melo Minardihttp://lattes.cnpq.br/9274887847308980Leonardo Henrique França de LimaErnesto Raúl CaffarenaRafaela Salgado FerreiraMaurílio Fernandes de OliveiraLetícia Xavier Silva Cantão2022-06-27T18:52:06Z2022-06-27T18:52:06Z2021-09-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1843/42713porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMG2022-06-27T18:52:06Zoai:repositorio.ufmg.br:1843/42713Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oairepositorio@ufmg.bropendoar:2022-06-27T18:52:06Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.none.fl_str_mv |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
title |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
spellingShingle |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) Letícia Xavier Silva Cantão Acetolactato sintases ALS Resistência a herbicidas Aprendizado de máquina Seleção de atributos Biologia Computacional Acetolactato Sintase Resistência a Herbicidas Aprendizado de Máquina |
title_short |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
title_full |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
title_fullStr |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
title_full_unstemmed |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
title_sort |
Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs) |
author |
Letícia Xavier Silva Cantão |
author_facet |
Letícia Xavier Silva Cantão |
author_role |
author |
dc.contributor.none.fl_str_mv |
Raquel Cardoso de Melo Minardi http://lattes.cnpq.br/9274887847308980 Leonardo Henrique França de Lima Ernesto Raúl Caffarena Rafaela Salgado Ferreira Maurílio Fernandes de Oliveira |
dc.contributor.author.fl_str_mv |
Letícia Xavier Silva Cantão |
dc.subject.por.fl_str_mv |
Acetolactato sintases ALS Resistência a herbicidas Aprendizado de máquina Seleção de atributos Biologia Computacional Acetolactato Sintase Resistência a Herbicidas Aprendizado de Máquina |
topic |
Acetolactato sintases ALS Resistência a herbicidas Aprendizado de máquina Seleção de atributos Biologia Computacional Acetolactato Sintase Resistência a Herbicidas Aprendizado de Máquina |
description |
Approximately 60% of pesticides used on plant crops are herbicides aimed at eliminating weeds. The enzyme ALS or acetohydroxy acid synthase (AHAS; EC 2.2.1.6) is targeted for inhibition by five classes of herbicides and is involved in the pathway of branched-chain amino acid biosynthesis (valine, leucine and isoleucine). Continuous exposure of these herbicides to crops has led to the evolution of weeds of herbicide resistant biotypes. These biotypes generally present target-site resistance, with point mutations being documented in several species. The development of plant crops resistant to current herbicides (contributing to only weeds being affected) and the development of new herbicides has become extremely necessary. In search of resistance signatures to two types of herbicides (sulfonylureas and imidazolinones) in ALS, here we link machine learning to molecular modeling data of enzymes with the presence of the inhibitor, with and without mutations. Molecular dynamics simulations, and other structural bioinformatics techniques were taken to attribute selection techniques used in machine learning in order to better discern attributes of ALSs that separate resistant and susceptible. The results suggest that the mechanism of gain or not of resistance to herbicides with mutations is linked to changes in both dynamics, network of contacts and energy profile in the protein-ligand complex. For the sulfonylurea (SU), the alterations in these attributes suggest a greater restoration of the competitive component of the inhibitor in the protein in relation to imidazolinone (IMI), in line with the greater inhibitory component itself reported in the literature for the SU compared to the IMI. In enzymes with the imidazolinone inhibitor, resistance seems to have a direct relationship with allosteric modifications, structurally modifying the cofactors region. In enzymes with the sulfonylurea inhibitor, the resistance pattern suggests a strong relationship with the loss of affinity for the ligand. The results obtained here can contribute to the elucidation of new paths for the sustainable theme of weeds, crops and herbicides. These same results also demonstrate that using machine learning to find patterns amidst a diversity of data returned by modeling and molecular dynamics is a readily applicable and effective strategy |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-09-13 2022-06-27T18:52:06Z 2022-06-27T18:52:06Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/42713 |
url |
http://hdl.handle.net/1843/42713 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais Brasil ICB - INSTITUTO DE CIÊNCIAS BIOLOGICAS Programa de Pós-Graduação em Bioinformatica UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais Brasil ICB - INSTITUTO DE CIÊNCIAS BIOLOGICAS Programa de Pós-Graduação em Bioinformatica UFMG |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
repositorio@ufmg.br |
_version_ |
1816829845101871104 |