Aprendizado de máquina automatizado para prever a interação entre proteínas humanas e patogênicas: Explorando Informações Topológicas

• Processo: 25/01309-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 05 de junho de 2025
• Data de Término da vigência: 02 de setembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Bruno Rafael Florentino
• Supervisor: Alexander Schonhuth
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Instituição Anfitriã: Bielefeld University, Alemanha
• Vinculado à bolsa: 24/00830-8 - BioPrediction: democratizando o aprendizado de máquina no estudo de interações moleculares, BP.DD
• Assunto(s): Interação proteína-proteína
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Automatizado | características topologicas | interações de proteínas humanas e patogênicas | Interações Proteína-Proteína | Predição de interação entre moléculas biológicas

Resumo

Com o avanço de técnicas modernas, como o sequenciamento de nova geração (next-generation sequencing), o crescente volume de dados biológicos disponíveis tem apresentado desafios na extração de conhecimento relevante em nível molecular. Um dos desafios mais significativos é a predição de interações entre sequências biológicas, como DNA, RNA e proteínas, que desempenham papéis cruciais em processos complexos, como a regulação gênica e a resposta imunológica, acelerando os estudos sobre doenças e terapias. O uso de algoritmos de Aprendizado de Máquina (Machine Learning, ML) nesses problemas tem mostrado perspectivas promissoras. Considerando isso, propomos o BioPrediction, uma estrutura de ponta a ponta baseada em ML automatizado, projetada para descobrir novas interações entre sequências sem exigir conhecimento especializado em ML. O objetivo é desenvolver um modelo de classificação acessível para pesquisadores na área das ciências biológicas, facilitando a aplicação de ML em problemas de biologia molecular. Nesta proposta, estamos desenvolvendo uma versão aprimorada do BioPrediction para predizer interações entre humanos e patógenos. Essa versão integra tanto informações estruturais das proteínas envolvidas quanto redes de interações validadas, fornecendo uma base mais rica para a tomada de decisões. Também estamos utilizando Redes de Atenção por Grafos (Graph Attention Networks, GAT) para extrair características topológicas robustas, conectando informações da estrutura primária de cada proteína com dados da rede de interações para construir novas e resilientes características. Essa abordagem inovadora visa melhorar o desempenho na predição de interações entre proteínas humanas e de patógenos.Além disso, o BioPrediction enfatiza a interpretabilidade, permitindo que os pesquisadores compreendam o processo de tomada de decisão do algoritmo em contextos como mapeamento de redes metabólicas e análise de interações proteína-proteína. Em resumo, o BioPrediction busca impulsionar a pesquisa em biologia molecular, contribuindo para o entendimento dos processos de infecção viral e bacteriana e também para o desenvolvimento de terapias, como a descoberta de alvos moleculares para medicamentos.