Banca de QUALIFICAÇÃO: JULIANA AUZIER SEIXAS FEIO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: JULIANA AUZIER SEIXAS FEIO
DATA: 09/02/2024
HORA: 10:00
LOCAL: meet.google.com/koa-dyqa-cea
TÍTULO:

Investigando descritores moleculares na previsão de peptídeos de penetração celular com Deep Learning: empregando N, O e momento hidrofóbico de acordo com a escala de Eisenberg

PALAVRAS-CHAVES:

Peptídeos de Penetração Celular. Composição de Recursos. Bioinformática. Quimioinformática. Redução de Dimensionalidade. Aprendizado Profundo.

PÁGINAS: 79
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO:

Os peptídeos de penetração celular compreendem um grupo de aminoácidos curtos comcapacidade de atravessar naturalmente a bicamada lipídica que protege as células, compartilhando propriedades físico-químicas e estruturais, e possuindo diversas aplicaçõesfarmacêuticas, particularmente a entrega de substâncias terapêuticas às células. Ao longo do tempo, as investigações sobre descritores moleculares baseados em sequência e estrutura peptídica proporcionaram não apenas uma melhoria no desempenho dos classificadores, com uma menor complexidade computacional devido seleção destes recursos, mas também uma melhor compreensão sobre a permeabilidade da membrana. Além disso, o emprego de novas tecnologias e técnicas promove melhor performance nas classificações, como a construção de modelos ensemble por meios da combinação de estimadores, o uso de aprendizagem profunda, a utilização de técnicas de tratamento de overfitting e busca de hiperparâmetros. Neste estudo, foram investigados os descritores nitrogênio, oxigênio e momento hidrofóbico de acordo com a escala de Eisenberg em conjunto com outros descritores abordados no estado da arte para prever peptídeos de penetração celular. O classificador ConvBoost-CPP proposto, combina as estimativas de um modelo XGBoost com hiperparâmetros ajustados e de uma Rede Neural Convolucional aprimorada com regularizadores para tratar overfitting. Os resultados revelaram-se favoráveis ao ConvBoost-CPP em relação a classificadores baseados em deep learning anteriormente publicados e, contrastando conjuntos de descritores para classificar o grupo de peptídeos aqui estudado, foi descoberto que nitrogênio, oxigênio e hidrofobicidade contribuem para um aumento na acurácia de 88% para 90,7% na validação cruzada e 82,6% a 92% em teste independente.

MEMBROS DA BANCA:
Presidente - 1809092 - CLAUDOMIRO DE SOUZA DE SALES JUNIOR
Interno - 2323064 - FILIPE DE OLIVEIRA SARAIVA
Externo ao Programa - 1316033 - ANDERSON HENRIQUE LIMA E LIMA
Externo à Instituição - KAUÊ SANTANA DA COSTA