Modelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs)

Detalhes bibliográficos
Autor(a) principal: Letícia Xavier Silva Cantão
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: Aproximadamente 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.
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 Raquel Cardoso de Melo Minardihttp://lattes.cnpq.br/9274887847308980Leonardo Henrique França de LimaErnesto Raúl CaffarenaRafaela Salgado FerreiraMaurílio Fernandes de Oliveirahttp://lattes.cnpq.br/6602374493165183Letícia Xavier Silva Cantão2022-06-27T18:52:06Z2022-06-27T18:52:06Z2021-09-13http://hdl.handle.net/1843/42713Aproximadamente 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.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 strategyCNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas GeraisCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em BioinformaticaUFMGBrasilICB - INSTITUTO DE CIÊNCIAS BIOLOGICASBiologia ComputacionalAcetolactato SintaseResistência a HerbicidasAprendizado de MáquinaAcetolactato sintasesALSResistência a herbicidasAprendizado de máquinaSeleção de atributosModelagem molecular aliada ao aprendizado de máquina na busca por assinaturas de resistência a herbicidas em Acetolactato sintases (ALSs)info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDissertacao Leticia Cantao.pdfDissertacao Leticia Cantao.pdfapplication/pdf5559205https://repositorio.ufmg.br/bitstream/1843/42713/3/Dissertacao%20Leticia%20Cantao.pdfad62f204fe77c115b318c0b3565916d7MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/42713/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/427132022-06-27 15:52:06.487oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-06-27T18:52:06Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.pt_BR.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.advisor1.fl_str_mv Raquel Cardoso de Melo Minardi
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/9274887847308980
dc.contributor.advisor-co1.fl_str_mv Leonardo Henrique França de Lima
dc.contributor.referee1.fl_str_mv Ernesto Raúl Caffarena
dc.contributor.referee2.fl_str_mv Rafaela Salgado Ferreira
dc.contributor.referee3.fl_str_mv Maurílio Fernandes de Oliveira
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/6602374493165183
dc.contributor.author.fl_str_mv Letícia Xavier Silva Cantão
contributor_str_mv Raquel Cardoso de Melo Minardi
Leonardo Henrique França de Lima
Ernesto Raúl Caffarena
Rafaela Salgado Ferreira
Maurílio Fernandes de Oliveira
dc.subject.por.fl_str_mv Acetolactato sintases
ALS
Resistência a herbicidas
Aprendizado de máquina
Seleção de atributos
topic Acetolactato sintases
ALS
Resistência a herbicidas
Aprendizado de máquina
Seleção de atributos
Biologia Computacional
Acetolactato Sintase
Resistência a Herbicidas
Aprendizado de Máquina
dc.subject.other.pt_BR.fl_str_mv Biologia Computacional
Acetolactato Sintase
Resistência a Herbicidas
Aprendizado de Máquina
description Aproximadamente 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.
publishDate 2021
dc.date.issued.fl_str_mv 2021-09-13
dc.date.accessioned.fl_str_mv 2022-06-27T18:52:06Z
dc.date.available.fl_str_mv 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.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Bioinformatica
dc.publisher.initials.fl_str_mv UFMG
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv ICB - INSTITUTO DE CIÊNCIAS BIOLOGICAS
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
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
bitstream.url.fl_str_mv https://repositorio.ufmg.br/bitstream/1843/42713/3/Dissertacao%20Leticia%20Cantao.pdf
https://repositorio.ufmg.br/bitstream/1843/42713/4/license.txt
bitstream.checksum.fl_str_mv ad62f204fe77c115b318c0b3565916d7
cda590c95a0b51b4d15f60c9642ca272
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv
_version_ 1803589480712503296