Development of empirical scoring funcions forn predicting proteinligand binding affinity

• Main Author: Guedes, Isabella Alvim
• Publication Date: 2016
• Format: Doctoral thesis
• Language: por
• Source: Biblioteca Digital de Teses e Dissertações do LNCC
• Download full: https://tede.lncc.br/handle/tede/247
• topic: Moléculas - Modelos; Modelagem molecular; Molecular modeling; CNPQ::CIENCIAS BIOLOGICAS::BIOQUIMICA::BIOLOGIA MOLECULAR

Atracamento molecular é uma metodologia que tem por objetivo prever a conformação e a afinidade de uma pequena molécula no sítio de ligação do receptor alvo de interesse. É uma abordagem amplamente utilizada pela indústria farmacêutica e pela comunidade acadêmica para identificação e otimização de compostos líderes, contribuindo para a redução de custo, tempo e falhas no desenvolvimento de novos fármacos. As metodologias atuais de atracamento molecular e as funções de avaliação associadas possuem bom desempenho em identificar modos de ligação. Entretanto, a detecção de compostos ativos dentre inativos e a predição acurada da afinidade de ligação ainda são grandes desafios. O programa DockThor, desenvolvido pelo nosso grupo de pesquisa, tem obtido resultados promissores em estudos comparativos com outros programas de atracamento molecular bem estabelecidos e amplamente utilizados pela comunidade científica para a predição de modos de ligação. Apesar de ser bastante útil para predição de poses, a função de avaliação atualmente implementada no DockThor não é adequada para prever afinidade de complexos proteína-ligante, não obtendo correlação com dados experimentais. Neste trabalho, nós desenvolvemos diversas funções de avaliação com características baseadas na física para prever afinidade de ligação de complexos proteína-ligante, treinadas com diversas técnicas de aprendizagem de máquina. As funções de avaliação finais consistem de termos baseados em campo de força relacionados com as interações intermoleculares (potenciais eletrostático e de van der Waals), um termo original para a entropia do ligante (número de ligações rotacionáveis congeladas), dessolvatação do ligante e da proteína e o efeito hidrofóbico. Desenvolvemos então funções de avaliação gerais e específicas para classes de alvos, esta para considerar características específicas associadas com a classe de alvo de interesse, focando em proteases, cinases e complexos de interações proteína-proteína (PPIs). As funções de avaliação foram derivadas utilizando regressão linear (MLR) e sete outras técnicas mais avançadas de aprendizagem de máquina para problemas não lineares. O processo de treinamento e teste foi realizado utilizando conjuntos de dados de alta qualidade compostos de estruturas experimentais de diversos complexos proteína-ligante com dados de afinidade de ligação disponíveis (Kd ou Ki). Adicionalmente, também derivamos funções de avaliação gerais treinadas com resultados do atracamento molecular com o programa DockThor. As funções treinadas com resultados de atracamento obtiveram desempenho promissor quando avaliadas tanto em estruturas experimentais quanto provenientes de atracamento molecular, indicando que elas são confiáveis para serem usadas em experimentos reais de triagem virtual. As funções desenvolvidas neste trabalho demonstraram ser competitivas com as melhores funções de avaliação lineares e não lineares em estudos comparativos descritas na literatura. As funções específicas para classes de alvos também exibiram desempenhos promissores, alcançando significativa melhoria quando utilizando abordagens não lineares comparadas com os modelos lineares. Além disso, a estratégia de avaliação consenso investigada neste trabalho exibiu resultados impressionantes, ficando entre os três melhores modelos com melhores desempenhos preditivos em todos os casos. O desenvolvimento das funções de avaliação implementadas nesta tese é um passo crucial para tornar o programa DockThor ainda mais competitivo, possibilitando o desenvolvimento do programa e do portal de triagem virtual em larga escala DockThor-VS.