DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction

Bibliographic Details
Main Author: Correia, João Filipe Silva
Publication Date: 2024
Language: eng
Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
Download full: https://hdl.handle.net/1822/94654
Summary: Tese de doutoramento em Informatics
id RCAP_c81ac55fd4e43facd0abf7b86a8ca844
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/94654
network_acronym_str RCAP
network_name_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository_id_str https://opendoar.ac.uk/repository/7160
spelling DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproductionDeepRetro: uma plataforma computacional de retrosíntese e desenho de vias metabólicas para a optimização da bioprodução de compostosAlgoritmos evolucionáriosAprendizagem profundaDesenho de vias metabólicasQuimioinformáticaTemplates de reaçõesChemoinformaticsDeep LearningEvolutionary algorithmsPathway designReaction rulesCiências Naturais::Ciências da Computação e da InformaçãoTese de doutoramento em InformaticsA química computacional tem tradicionalmente recorrido a métodos clássicos como a mecânica quântica, a mecânica molecular e a termodinâmica estatística para tarefas como a previsão de propriedades moleculares, a descoberta de fármacos e a análise de vias metabólicas. Avanços recentes no poder computacional e a proliferação de dados químicos e biológicos têm melhorado significativamente a nossa capacidade de entender e prever o comportamento de pequenas moléculas. Técnicas computacionais modernas, incluindo a aprendizagem máquina, aprendizagem profunda e algoritmos evolucionários têm permitido a manipulação de vastos conjuntos de dados e sistemas moleculares complexos com alta precisão e eficiência. Estes avanços não só melhoram a descoberta de fármacos e a análise de vias metabólicas, como também promovem uma química mais sustentável ao favorecer métodos biossintéticos em deterimento da síntese química tradicional, reduzindo assim os impactos ambientais e económicos. Este trabalho foca-se no desenvolvimento de plataformas e algoritmos de inteligência artificial na química computacional em áreas chave: previsão de propriedades/atividades moleculares, otimização do desenho molecular, planeamento de síntese e previsão de metabolismo. Para tal desenvolvemos o DeepMol para previsão automática de propriedades/atividades moleculares usando aprendizagem máquina e profunda. Utilizámos modelos de reações bioquímicas para melhorar a eficiência no planeamento de síntese. Com o ReactEA integramos algoritmos evolucionários com templates de reações para a otimização do desenho de novas moléculas. Por fim, o BioCatalyzer prevê o metabolismo de moléculas, fornecendo informação crítica sobre o seu processo metabólico. Em geral, a nossa investigação foca-se na melhoria da previsão de propriedades moleculares, na otimização do desenho de novas moléculas e na compreensão de vias metabólicas. Ao integrar inteligência artificial com templates de reações bioquímicas, pretendemos melhorar os processos de descoberta e desenvolvimento de fármacos.Computational chemistry has traditionally relied on methods such as quantum mechanics, molecular mechanics, and statistical thermodynamics for tasks like molecular property prediction, drug discovery, and metabolic pathway analysis. Recent advancements in computational power and the proliferation of chemical and biological data have significantly enhanced our ability to design and predict the behavior of small molecules. Modern techniques, including machine learning, deep learning, and evolutionary algorithms, enable the handling of vast datasets and complex molecular systems with high accuracy and efficiency. These advancements not only improve drug discovery and metabolic pathway analysis but also promote green chemistry by favoring sustainable biosynthetic methods over traditional chemical synthesis, thereby reducing environmental and economic impacts. This work explores artificial intelligence frameworks and algorithms in computational chemistry across key areas: molecular property/activity prediction, molecular design optimization, synthesis planning, and metabolism prediction. We developed DeepMol for automated molecular property/activity prediction using machine and deep learning. Biochemical reaction templates were used to enhance synthesis planning efficiency. ReactEA integrated evolutionary algorithms with reaction rules for molecular design optimization. Lastly, BioCatalyzer predicts small molecule metabolism, offering insights into the metabolic fate of chemicals. Overall, our research focuses on improving molecular property prediction, optimizing design, and understanding metabolic pathways. By integrating artificial intelligence with biochemical reaction rules, we aim to enhance drug discovery and development processes.Fundação para a Ciência e a Tecnologia (FCT) - bolsa de doutoramento (SFRH/BD/144314/2019)Rocha, MiguelPereira, VítorCarreira, Rafael CastroUniversidade do MinhoCorreia, João Filipe Silva2024-12-202024-12-20T00:00:00Zdoctoral thesisinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://hdl.handle.net/1822/94654eng101784260info:eu-repo/semantics/openAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-02-01T01:17:41Zoai:repositorium.sdum.uminho.pt:1822/94654Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-28T19:45:36.729674Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse
dc.title.none.fl_str_mv DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
DeepRetro: uma plataforma computacional de retrosíntese e desenho de vias metabólicas para a optimização da bioprodução de compostos
title DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
spellingShingle DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
Correia, João Filipe Silva
Algoritmos evolucionários
Aprendizagem profunda
Desenho de vias metabólicas
Quimioinformática
Templates de reações
Chemoinformatics
Deep Learning
Evolutionary algorithms
Pathway design
Reaction rules
Ciências Naturais::Ciências da Computação e da Informação
title_short DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
title_full DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
title_fullStr DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
title_full_unstemmed DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
title_sort DeepRetro: a computational framework for retrosynthesis and pathway design towards optimizing compound bioproduction
author Correia, João Filipe Silva
author_facet Correia, João Filipe Silva
author_role author
dc.contributor.none.fl_str_mv Rocha, Miguel
Pereira, Vítor
Carreira, Rafael Castro
Universidade do Minho
dc.contributor.author.fl_str_mv Correia, João Filipe Silva
dc.subject.por.fl_str_mv Algoritmos evolucionários
Aprendizagem profunda
Desenho de vias metabólicas
Quimioinformática
Templates de reações
Chemoinformatics
Deep Learning
Evolutionary algorithms
Pathway design
Reaction rules
Ciências Naturais::Ciências da Computação e da Informação
topic Algoritmos evolucionários
Aprendizagem profunda
Desenho de vias metabólicas
Quimioinformática
Templates de reações
Chemoinformatics
Deep Learning
Evolutionary algorithms
Pathway design
Reaction rules
Ciências Naturais::Ciências da Computação e da Informação
description Tese de doutoramento em Informatics
publishDate 2024
dc.date.none.fl_str_mv 2024-12-20
2024-12-20T00:00:00Z
dc.type.driver.fl_str_mv doctoral thesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/94654
url https://hdl.handle.net/1822/94654
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 101784260
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.source.none.fl_str_mv reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron:RCAAP
instname_str FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
instacron_str RCAAP
institution RCAAP
reponame_str Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
collection Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
repository.name.fl_str_mv Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia
repository.mail.fl_str_mv info@rcaap.pt
_version_ 1833598308239540224

Similar Items