Notícias

Aug 28, 2023

Seleção de algoritmo para proteína

Relatórios Científicos volume 13,

Scientific Reports volume 13, Número do artigo: 8219 (2023) Cite este artigo

381 acessos

1 Altmétrica

Detalhes das métricas

O presente estudo investiga o uso de seleção de algoritmo para escolher automaticamente um algoritmo para qualquer tarefa de docking proteína-ligante. No processo de descoberta e design de medicamentos, conceituar a ligação proteína-ligante é um grande problema. O direcionamento desse problema por meio de métodos computacionais é benéfico para reduzir substancialmente os requisitos de recursos e tempo para o processo geral de desenvolvimento de medicamentos. Uma maneira de abordar o acoplamento proteína-ligante é modelá-lo como um problema de busca e otimização. Tem havido uma variedade de soluções algorítmicas a este respeito. No entanto, não existe um algoritmo definitivo que possa resolver esse problema com eficiência, tanto em termos de qualidade quanto de velocidade do acoplamento proteína-ligante. Este argumento motiva a criação de novos algoritmos, adaptados aos cenários de docking proteína-ligante específicos. Para esse fim, este artigo relata uma abordagem baseada em aprendizado de máquina para desempenho de encaixe aprimorado e robusto. A configuração proposta é totalmente automatizada, operando sem qualquer opinião ou envolvimento de especialistas tanto no aspecto do problema quanto no algoritmo. Como estudo de caso, foi realizada uma análise empírica de uma conhecida proteína, Enzima Conversora de Angiotensina Humana (ECA), com 1428 ligantes. Para aplicabilidade geral, o AutoDock 4.2 foi usado como plataforma de encaixe. Os algoritmos candidatos também são retirados do AutoDock 4.2. Vinte e oito Algoritmos Lamarckianos-Genéticos (LGA) distintamente configurados são escolhidos para construir um conjunto de algoritmos. O ALORS, que é um sistema de seleção de algoritmo baseado em sistema de recomendação, foi preferido para automatizar a seleção dessas variantes de LGA por instância. Para realizar essa automação de seleção, descritores moleculares e impressões digitais de subestrutura foram empregados como os recursos que caracterizam cada instância de encaixe proteína-ligante alvo. Os resultados computacionais revelaram que a seleção de algoritmo supera todos os algoritmos candidatos. Uma avaliação mais aprofundada é relatada no espaço de algoritmos, discutindo as contribuições dos parâmetros do LGA. No que diz respeito ao docking proteína-ligando, as contribuições dos recursos acima mencionados são examinadas, o que lança luz sobre os recursos críticos que afetam o desempenho do docking.

Na esteira do surgimento de doenças e da crescente conscientização sobre o desejo de melhorar o bem-estar humano, tem havido um esforço persistente para implementar novas inovações médicas. Uma ampla gama de conceitos em Drug Discovery/Design (DD)1 tem sido os principais tópicos de interesse. O processo DD, no entanto, é demorado e caro. Todo o pipeline de DD pode durar até 15 anos, exigindo altos orçamentos e a participação de grandes grupos de cientistas. Nesse sentido, o processo tradicional de DD muitas vezes apresenta alto custo e risco e baixa taxa de sucesso, fatores que desestimulam novas pesquisas e dificultam avanços substantivos nessa área2. Um fator importante que contribui para esse fato é que DD é essencialmente um problema de busca do enorme espaço químico para detectar compostos drogáveis3,4. Indiscutivelmente, o passo mais crítico neste árduo processo é identificar os novos compostos químicos que podem ser desenvolvidos em novos medicamentos.

Abordagens computacionais têm sido práticas, em geral, pois são mecanismos eficazes para avançar o processo de DD em um ritmo acelerado, com melhores resultados bem-sucedidos. Computer-Aided DD (CADD)5,6,7,8,9,10 é um termo abrangente que abrange esses procedimentos computacionais. Para ser específico, o CADD é uma coleção de ferramentas matemáticas e orientadas a dados que atravessam as disciplinas com relação à sua utilização em DD. Essas ferramentas são implementadas como programas de computador e acomodadas em conjunto com várias metodologias experimentais para acelerar a descoberta de novas entidades químicas. As estratégias CADD podem triar rapidamente um número muito grande de compostos, identificando acessos que podem ser convertidos em leads. Os métodos de laboratório assumem, então, o teste e a finalização do medicamento. Este processo é iterativo e recíproco. Os resultados dos métodos CADD são explorados para criar compostos que são submetidos a síntese química e ensaio biológico. As informações derivadas desses experimentos são exploradas para desenvolver ainda mais as relações estrutura-atividade (SARs) e SARs quantitativos (QSARs) que estão embutidos nas abordagens CADD.