Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFU |
Texto Completo: | https://repositorio.ufu.br/handle/123456789/36301 http://doi.org/10.14393/ufu.di.2022.571 |
Resumo: | O design de peptídeos capazes de inibir a infecção viral tem sido considerado uma das estratégias potenciais para reduzir a transmissão do SARS-CoV-2. No entanto, a questão crítica para o design de peptídeos é o grande espaço de busca, o que torna inviável avaliar todas as possibilidades. Além disso, a maioria das análises relacionadas adota docking molecular in silico para selecionar potenciais peptídeos, que é uma técnica demorada e altamente dependente da estrutura molecular dos peptídeos já conhecidos e da proteína alvo. Com o objetivo de auxiliar na avaliação, descoberta e seleção de peptídeos para cálculo de docking, desenvolvemos o SAGAPEP, um framework de Algoritmo Genético Assistido por Surrogate capaz de encontrar peptídeos com potencial para bloquear a proteína Spike do SARS-CoV-2. O modelo surrogate é usado para avaliação rápida e de alta fidelidade da energia de interação entre um peptídeo e a proteína Spike, enquanto o algoritmo genético busca descobrir e selecionar peptídeos de alto potencial inspirados em princípios de genética e seleção natural. Os experimentos foram conduzidos usando um conjunto de dados composto por vários peptídeos potenciais obtidos por meio de docking molecular por especialistas em bioinformática. Como principais resultados, o SAGAPEP obteve baixas previsões de erro de seu componente surrogate treinado sobre esse conjunto de dados e foi capaz de descobrir e selecionar peptídeos com melhor energia de ligação do que todos listados no conjunto de dados. Além disso, os resultados notáveis do SAGAPEP sugerem que ele também pode ter o potencial de fornecer resultados promissores para outros problemas de design de peptídeos. |
id |
UFU_ed606b67ced1e775fe55f82b737bbd8e |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/36301 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
2022-10-20T16:38:24Z2022-10-20T16:38:24Z2022-09-29SILVA, Elias de Abreu Domingos. Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2. 2022. 79 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.571.https://repositorio.ufu.br/handle/123456789/36301http://doi.org/10.14393/ufu.di.2022.571O design de peptídeos capazes de inibir a infecção viral tem sido considerado uma das estratégias potenciais para reduzir a transmissão do SARS-CoV-2. No entanto, a questão crítica para o design de peptídeos é o grande espaço de busca, o que torna inviável avaliar todas as possibilidades. Além disso, a maioria das análises relacionadas adota docking molecular in silico para selecionar potenciais peptídeos, que é uma técnica demorada e altamente dependente da estrutura molecular dos peptídeos já conhecidos e da proteína alvo. Com o objetivo de auxiliar na avaliação, descoberta e seleção de peptídeos para cálculo de docking, desenvolvemos o SAGAPEP, um framework de Algoritmo Genético Assistido por Surrogate capaz de encontrar peptídeos com potencial para bloquear a proteína Spike do SARS-CoV-2. O modelo surrogate é usado para avaliação rápida e de alta fidelidade da energia de interação entre um peptídeo e a proteína Spike, enquanto o algoritmo genético busca descobrir e selecionar peptídeos de alto potencial inspirados em princípios de genética e seleção natural. Os experimentos foram conduzidos usando um conjunto de dados composto por vários peptídeos potenciais obtidos por meio de docking molecular por especialistas em bioinformática. Como principais resultados, o SAGAPEP obteve baixas previsões de erro de seu componente surrogate treinado sobre esse conjunto de dados e foi capaz de descobrir e selecionar peptídeos com melhor energia de ligação do que todos listados no conjunto de dados. Além disso, os resultados notáveis do SAGAPEP sugerem que ele também pode ter o potencial de fornecer resultados promissores para outros problemas de design de peptídeos.The design of peptides capable of inhibiting the SARS-CoV-2 viral infection has been considered one of the potential strategies to reduce the transmission of SARS-CoV-2. However, a critical issue in peptide design is the large search space, which makes it impracticable to evaluate all possibilities. Furthermore, most related works adopt in silico molecular docking to select potential peptides, which is a time-consuming technique and highly dependent on the molecular structure of already known peptides and the target protein. Aiming to assist the evaluation, discovery and selection of peptides for docking calculation, we developed SAGAPEP, a Surrogate-Assisted Genetic Algorithm framework capable of finding peptides with potential to block the SARS-CoV-2 Spike protein. The surrogate model is used for fast and high-fidelity evaluation of the interaction energy between a peptide and the Spike protein, while the genetic algorithm seeks to discover and select high-potential peptides inspired by principles of genetics and natural selection. Experiments were conducted using a data set composed of several potential peptides obtained through molecular docking by bio-informatics specialists. As main results, SAGAPEP achieved low error predictions from its surrogate component trained over that data set, and was able to discover and select peptides with higher binding energy than all listed in the data set. Moreover, the noteworthy results of SAGAPEP suggest it may also have the potential to provide promising results for other peptide design problems.Dissertação (Mestrado)2024-10-17porUniversidade Federal de UberlândiaPrograma de Pós-graduação em Ciência da ComputaçãoBrasilCNPQ::CIENCIAS EXATAS E DA TERRAComputaçãoCOVID-19 (Doença)Aprendizado do computadorAlgorítmos genéticosSARS-CoV-2Design de PeptídeoAprendizado de MáquinaCOVID-19Algoritmo GenéticoPeptide DesignMachine LearningSurrogate ModelsGenetic AlgorithmsAlgoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2Surrogate assisted genetic algorithm to evaluate and discover peptides against the SARS-CoV-2info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMartins, Luiz Gustavo Almeidahttp://lattes.cnpq.br/2546751023256424Carneiro, Murillo Guimarãeshttp://lattes.cnpq.br/8158868389973535Tinós, Renatohttp://lattes.cnpq.br/1273134370963830Nicolau Junior, Nilsonhttp://lattes.cnpq.br/0821186870496558https://lattes.cnpq.br/9948063120193001Silva, Elias de Abreu Domingos79III - resultados de pesquisa cujo conteúdo seja passível de ser patenteado ou publicado em livros e capítulos;info:eu-repo/semantics/embargoedAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFUORIGINALAlgoritmoGenéticoAssistido.pdfAlgoritmoGenéticoAssistido.pdfDissertaçãoapplication/pdf2508705https://repositorio.ufu.br/bitstream/123456789/36301/7/AlgoritmoGen%c3%a9ticoAssistido.pdfbdc65028eada08152c65bf27f898696eMD57LICENSElicense.txtlicense.txttext/plain; charset=utf-81792https://repositorio.ufu.br/bitstream/123456789/36301/6/license.txt48ded82ce41b8d2426af12aed6b3cbf3MD56TEXTAlgoritmoGenéticoAssistido.pdf.txtAlgoritmoGenéticoAssistido.pdf.txtExtracted texttext/plain128362https://repositorio.ufu.br/bitstream/123456789/36301/8/AlgoritmoGen%c3%a9ticoAssistido.pdf.txt72685d2048e50a0623bbfe38591e0cceMD58THUMBNAILAlgoritmoGenéticoAssistido.pdf.jpgAlgoritmoGenéticoAssistido.pdf.jpgGenerated Thumbnailimage/jpeg1347https://repositorio.ufu.br/bitstream/123456789/36301/9/AlgoritmoGen%c3%a9ticoAssistido.pdf.jpgd6f677004c8653bdc0b29593f1d49e40MD59123456789/363012022-10-21 03:21:18.521oai:repositorio.ufu.br:123456789/36301w4kgbmVjZXNzw6FyaW8gY29uY29yZGFyIGNvbSBhIGxpY2Vuw6dhIGRlIGRpc3RyaWJ1acOnw6NvIG7Do28tZXhjbHVzaXZhLCBhbnRlcyBxdWUgbyBkb2N1bWVudG8gcG9zc2EgYXBhcmVjZXIgbm8gUmVwb3NpdMOzcmlvLiBQb3IgZmF2b3IsIGxlaWEgYSBsaWNlbsOnYSBhdGVudGFtZW50ZS4gQ2FzbyBuZWNlc3NpdGUgZGUgYWxndW0gZXNjbGFyZWNpbWVudG8gZW50cmUgZW0gY29udGF0byBhdHJhdsOpcyBkbyBlLW1haWwgIHJlcG9zaXRvcmlvQHVmdS5ici4KCkxJQ0VOw4dBIERFIERJU1RSSUJVScOHw4NPIE7Dg08tRVhDTFVTSVZBCgpBbyBhc3NpbmFyIGUgZW50cmVnYXIgZXN0YSBsaWNlbsOnYSwgby9hIFNyLi9TcmEuIChhdXRvciBvdSBkZXRlbnRvciBkb3MgZGlyZWl0b3MgZGUgYXV0b3IpOgoKYSkgQ29uY2VkZSDDoCBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBVYmVybMOibmRpYSBvIGRpcmVpdG8gbsOjby1leGNsdXNpdm8gZGUgcmVwcm9kdXppciwgY29udmVydGVyIChjb21vIGRlZmluaWRvIGFiYWl4byksIGNvbXVuaWNhciBlL291IGRpc3RyaWJ1aXIgbyBkb2N1bWVudG8gZW50cmVndWUgKGluY2x1aW5kbyBvIHJlc3Vtby9hYnN0cmFjdCkgZW0gZm9ybWF0byBkaWdpdGFsIG91IGltcHJlc3NvIGUgZW0gcXVhbHF1ZXIgbWVpby4KCmIpIERlY2xhcmEgcXVlIG8gZG9jdW1lbnRvIGVudHJlZ3VlIMOpIHNldSB0cmFiYWxobyBvcmlnaW5hbCwgZSBxdWUgZGV0w6ltIG8gZGlyZWl0byBkZSBjb25jZWRlciBvcyBkaXJlaXRvcyBjb250aWRvcyBuZXN0YSBsaWNlbsOnYS4gRGVjbGFyYSB0YW1iw6ltIHF1ZSBhIGVudHJlZ2EgZG8gZG9jdW1lbnRvIG7Do28gaW5mcmluZ2UsIHRhbnRvIHF1YW50byBsaGUgw6kgcG9zc8OtdmVsIHNhYmVyLCBvcyBkaXJlaXRvcyBkZSBxdWFscXVlciBvdXRyYSBwZXNzb2Egb3UgZW50aWRhZGUuCgpjKSBTZSBvIGRvY3VtZW50byBlbnRyZWd1ZSBjb250w6ltIG1hdGVyaWFsIGRvIHF1YWwgbsOjbyBkZXTDqW0gb3MgZGlyZWl0b3MgZGUgYXV0b3IsIGRlY2xhcmEgcXVlIG9idGV2ZSBhdXRvcml6YcOnw6NvIGRvIGRldGVudG9yIGRvcyBkaXJlaXRvcyBkZSBhdXRvciBwYXJhIGNvbmNlZGVyIMOgIFVuaXZlcnNpZGFkZSBGZWRlcmFsIGRlIFViZXJsw6JuZGlhIG9zIGRpcmVpdG9zIHJlcXVlcmlkb3MgcG9yIGVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgY3Vqb3MgZGlyZWl0b3Mgc8OjbyBkZSB0ZXJjZWlyb3MgZXN0w6EgY2xhcmFtZW50ZSBpZGVudGlmaWNhZG8gZSByZWNvbmhlY2lkbyBubyB0ZXh0byBvdSBjb250ZcO6ZG8gZG8gZG9jdW1lbnRvIGVudHJlZ3VlLgoKU2UgbyBkb2N1bWVudG8gZW50cmVndWUgw6kgYmFzZWFkbyBlbSB0cmFiYWxobyBmaW5hbmNpYWRvIG91IGFwb2lhZG8gcG9yIG91dHJhIGluc3RpdHVpw6fDo28gcXVlIG7Do28gYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBVYmVybMOibmRpYSwgZGVjbGFyYSBxdWUgY3VtcHJpdSBxdWFpc3F1ZXIgb2JyaWdhw6fDtWVzIGV4aWdpZGFzIHBlbG8gcmVzcGVjdGl2byBjb250cmF0byBvdSBhY29yZG8uCgpBIFVuaXZlcnNpZGFkZSBGZWRlcmFsIGRlIFViZXJsw6JuZGlhIGlkZW50aWZpY2Fyw6EgY2xhcmFtZW50ZSBvKHMpIHNldShzKSBub21lKHMpIGNvbW8gbyhzKSBhdXRvcihlcykgb3UgZGV0ZW50b3IgKGVzKSBkb3MgZGlyZWl0b3MgZG8gZG9jdW1lbnRvIGVudHJlZ3VlLCBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIHBhcmEgYWzDqW0gZGFzIHBlcm1pdGlkYXMgcG9yIGVzdGEgbGljZW7Dp2EuCg==Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2022-10-21T06:21:18Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.pt_BR.fl_str_mv |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
dc.title.alternative.pt_BR.fl_str_mv |
Surrogate assisted genetic algorithm to evaluate and discover peptides against the SARS-CoV-2 |
title |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
spellingShingle |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 Silva, Elias de Abreu Domingos CNPQ::CIENCIAS EXATAS E DA TERRA SARS-CoV-2 Design de Peptídeo Aprendizado de Máquina COVID-19 Algoritmo Genético Peptide Design Machine Learning Surrogate Models Genetic Algorithms Computação COVID-19 (Doença) Aprendizado do computador Algorítmos genéticos |
title_short |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
title_full |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
title_fullStr |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
title_full_unstemmed |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
title_sort |
Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2 |
author |
Silva, Elias de Abreu Domingos |
author_facet |
Silva, Elias de Abreu Domingos |
author_role |
author |
dc.contributor.advisor-co1.fl_str_mv |
Martins, Luiz Gustavo Almeida |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/2546751023256424 |
dc.contributor.advisor1.fl_str_mv |
Carneiro, Murillo Guimarães |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8158868389973535 |
dc.contributor.referee1.fl_str_mv |
Tinós, Renato |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/1273134370963830 |
dc.contributor.referee2.fl_str_mv |
Nicolau Junior, Nilson |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/0821186870496558 |
dc.contributor.authorLattes.fl_str_mv |
https://lattes.cnpq.br/9948063120193001 |
dc.contributor.author.fl_str_mv |
Silva, Elias de Abreu Domingos |
contributor_str_mv |
Martins, Luiz Gustavo Almeida Carneiro, Murillo Guimarães Tinós, Renato Nicolau Junior, Nilson |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA SARS-CoV-2 Design de Peptídeo Aprendizado de Máquina COVID-19 Algoritmo Genético Peptide Design Machine Learning Surrogate Models Genetic Algorithms Computação COVID-19 (Doença) Aprendizado do computador Algorítmos genéticos |
dc.subject.por.fl_str_mv |
SARS-CoV-2 Design de Peptídeo Aprendizado de Máquina COVID-19 Algoritmo Genético Peptide Design Machine Learning Surrogate Models Genetic Algorithms |
dc.subject.autorizado.pt_BR.fl_str_mv |
Computação COVID-19 (Doença) Aprendizado do computador Algorítmos genéticos |
description |
O design de peptídeos capazes de inibir a infecção viral tem sido considerado uma das estratégias potenciais para reduzir a transmissão do SARS-CoV-2. No entanto, a questão crítica para o design de peptídeos é o grande espaço de busca, o que torna inviável avaliar todas as possibilidades. Além disso, a maioria das análises relacionadas adota docking molecular in silico para selecionar potenciais peptídeos, que é uma técnica demorada e altamente dependente da estrutura molecular dos peptídeos já conhecidos e da proteína alvo. Com o objetivo de auxiliar na avaliação, descoberta e seleção de peptídeos para cálculo de docking, desenvolvemos o SAGAPEP, um framework de Algoritmo Genético Assistido por Surrogate capaz de encontrar peptídeos com potencial para bloquear a proteína Spike do SARS-CoV-2. O modelo surrogate é usado para avaliação rápida e de alta fidelidade da energia de interação entre um peptídeo e a proteína Spike, enquanto o algoritmo genético busca descobrir e selecionar peptídeos de alto potencial inspirados em princípios de genética e seleção natural. Os experimentos foram conduzidos usando um conjunto de dados composto por vários peptídeos potenciais obtidos por meio de docking molecular por especialistas em bioinformática. Como principais resultados, o SAGAPEP obteve baixas previsões de erro de seu componente surrogate treinado sobre esse conjunto de dados e foi capaz de descobrir e selecionar peptídeos com melhor energia de ligação do que todos listados no conjunto de dados. Além disso, os resultados notáveis do SAGAPEP sugerem que ele também pode ter o potencial de fornecer resultados promissores para outros problemas de design de peptídeos. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-20T16:38:24Z |
dc.date.available.fl_str_mv |
2022-10-20T16:38:24Z |
dc.date.issued.fl_str_mv |
2022-09-29 |
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.citation.fl_str_mv |
SILVA, Elias de Abreu Domingos. Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2. 2022. 79 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.571. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufu.br/handle/123456789/36301 |
dc.identifier.doi.pt_BR.fl_str_mv |
http://doi.org/10.14393/ufu.di.2022.571 |
identifier_str_mv |
SILVA, Elias de Abreu Domingos. Algoritmo genético assistido por surrogate para avaliar e descobrir peptídeos contra o SARS-CoV-2. 2022. 79 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2022. DOI http://doi.org/10.14393/ufu.di.2022.571. |
url |
https://repositorio.ufu.br/handle/123456789/36301 http://doi.org/10.14393/ufu.di.2022.571 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Ciência da Computação |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
bitstream.url.fl_str_mv |
https://repositorio.ufu.br/bitstream/123456789/36301/7/AlgoritmoGen%c3%a9ticoAssistido.pdf https://repositorio.ufu.br/bitstream/123456789/36301/6/license.txt https://repositorio.ufu.br/bitstream/123456789/36301/8/AlgoritmoGen%c3%a9ticoAssistido.pdf.txt https://repositorio.ufu.br/bitstream/123456789/36301/9/AlgoritmoGen%c3%a9ticoAssistido.pdf.jpg |
bitstream.checksum.fl_str_mv |
bdc65028eada08152c65bf27f898696e 48ded82ce41b8d2426af12aed6b3cbf3 72685d2048e50a0623bbfe38591e0cce d6f677004c8653bdc0b29593f1d49e40 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1802110428215508992 |