| Processo: | 22/04695-2 |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Data de Início da vigência: | 01 de julho de 2022 |
| Data de Término da vigência: | 31 de dezembro de 2024 |
| Área de conhecimento: | Ciências Exatas e da Terra - Química - Físico-química |
| Pesquisador responsável: | Munir Salomao Skaf |
| Beneficiário: | Alberto Monteiro dos Santos |
| Instituição Sede: | Instituto de Química (IQ). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil |
| Vinculado ao auxílio: | 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID |
| Assunto(s): | Química teórica Celulase Bioetanol Enzimas Algoritmos Aprendizado computacional Materiais lignocelulósicos Modelagem molecular Mecânica quântica Mutação |
| Palavra(s)-Chave do Pesquisador: | Celulases | dinamica molecular de enzimas | Etanol de segunda geração | mecanismos de reação | Modelagem de Proteínas | Química teórica |
Resumo O tema desta pesquisa de pós-doutorado é o estudo de mecanismos de reação e eficiência catalítica de enzimas ativas em substratos lignocelulósicos usando técnicas avançadas de modelagem molecular. As enzimas de interesse são principalmente Esterases (por exemplo, Glucuronil Esterases - GEs, Feruloil Esterases - FAEs) e ²-glicosidases Glicosídeo Hidrolases (GHs). GEs/FAEs e GHs estão envolvidos no pré-tratamento da biomassa lignocelulósica e na etapa de sacarificação, respectivamente. O melhoramento catalítico dessas enzimas tem um impacto potencial na redução dos custos de produção de biocombustíveis de nova geração. Propomos usar métodos híbridos de Mecânica Quântica/Mecânica Molecular (QM/MM) para descrever o mecanismo de reação dessas enzimas contra substratos lignocelulósicos e, posteriormente, aplicar abordagens de aprendizado de máquina para propor mutações que possam resultar em uma eficiência catalítica aprimorada das enzimas. As estruturas de estado de transição obtidas do QM/MM serão utilizadas como pontos de partida para o projeto com o protocolo enzimático Rosetta e estratégias de machine learning. Os modelos propostos serão posteriormente analisados usando redes neurais. Primeiro, vamos nos concentrar na obtenção de uma descrição molecular detalhada do mecanismo de reação e do rendimento catalítico estimado das enzimas usando QM/MM. Em seguida, combinaremos os dados obtidos para os campos eletrostáticos criados pelos resíduos-chave responsáveis pela estabilização dos estados de transição (TS) em algoritmos de aprendizado de máquina para propor novos modelos catalíticos. (AU) | |
| Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
| Mais itensMenos itens | |
| TITULO | |
| Matéria(s) publicada(s) em Outras Mídias ( ): | |
| Mais itensMenos itens | |
| VEICULO: TITULO (DATA) | |
| VEICULO: TITULO (DATA) | |