Redes neurais residuais profundas e autômatos celulares como modelos para predição que fornecem informação sobre a formação de estruturas secundárias proteicas (2018)
- Authors:
- Autor USP: PEREIRA, JOSÉ GERALDO DE CARVALHO - BIOINFORMÁTICA
- Unidade: BIOINFORMÁTICA
- Subjects: BIOINFORMÁTICA; PROCESSOS ESTOCÁSTICOS; REDES NEURAIS; AUTÔMATOS CELULARES
- Keywords: Aprendizado profundo; Atribuição estrutura secundária; Biologia computacional; Cellular automata; Computational biology; Deep learning; Enovelamento; Estrutura proteica; Folding; Predição estrutura secundária; Protein secondary structure prediction; Residual neural networks
- Language: Português
- Abstract: O processo de auto-organização da estrutura proteica a partir da cadeia de aminoácidos é conhecido como enovelamento. Apesar de conhecermos a estrutura tridimencional de muitas proteínas, para a maioria delas, não possuímos uma compreensão suficiente para descrever em detalhes como a estrutura se organiza a partir da sequência de aminoácidos. É bem conhecido que a formação de núcleos de estruturas locais, conhecida como estrutura secundária, apresenta papel fundamental no enovelamento final da proteína. Desta forma, o desenvolvimento de métodos que permitam não somente predizer a estrutura secundária adotada por um dado resíduo, mas também, a maneira como esse processo deve ocorrer ao longo do tempo é muito relevante em várias áreas da biologia estrutural. Neste trabalho, desenvolvemos dois métodos de predição de estruturas secundárias utilizando modelos com o potencial de fornecer informações mais detalhadas sobre o processo de predição. Um desses modelos foi construído utilizando autômatos celulares, um tipo de modelo dinâmico onde é possível obtermos informações espaciais e temporais. O outro modelo foi desenvolvido utilizando redes neurais residuais profundas. Com este modelo é possível extrair informações espaciais e probabilísticas de suas múltiplas camadas internas de convolução, o que parece refletir, em algum sentido, os estados de formação da estrutura secundária durante o enovelamento.A acurácia da predição obtida por esse modelo foi de ~78% para os resíduos queapresentaram consenso na estrutura atribuída pelos métodos DSSP, STRIDE, KAKSI e PROSS. Tal acurácia, apesar de inferior à obtida pelo PSIPRED, o qual utiliza matrizes PSSM como entrada, é superior à obtida por outros métodos que realizam a predição de estruturas secundárias diretamente a partir da sequência de aminoácidos
- Imprenta:
- Publisher place: Campinas, SP
- Date published: 2018
- Data da defesa: 15.03.2018
-
ABNT
PEREIRA, José Geraldo de Carvalho. Redes neurais residuais profundas e autômatos celulares como modelos para predição que fornecem informação sobre a formação de estruturas secundárias proteicas. 2018. Tese (Doutorado) – Universidade de São Paulo, Campinas, SP, 2018. Disponível em: http://www.teses.usp.br/teses/disponiveis/95/95131/tde-03052018-095932/. Acesso em: 21 maio 2024. -
APA
Pereira, J. G. de C. (2018). Redes neurais residuais profundas e autômatos celulares como modelos para predição que fornecem informação sobre a formação de estruturas secundárias proteicas (Tese (Doutorado). Universidade de São Paulo, Campinas, SP. Recuperado de http://www.teses.usp.br/teses/disponiveis/95/95131/tde-03052018-095932/ -
NLM
Pereira JG de C. Redes neurais residuais profundas e autômatos celulares como modelos para predição que fornecem informação sobre a formação de estruturas secundárias proteicas [Internet]. 2018 ;[citado 2024 maio 21 ] Available from: http://www.teses.usp.br/teses/disponiveis/95/95131/tde-03052018-095932/ -
Vancouver
Pereira JG de C. Redes neurais residuais profundas e autômatos celulares como modelos para predição que fornecem informação sobre a formação de estruturas secundárias proteicas [Internet]. 2018 ;[citado 2024 maio 21 ] Available from: http://www.teses.usp.br/teses/disponiveis/95/95131/tde-03052018-095932/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
