MÉTODOS BASEADOS EM HOMOLOGIA E APRENDIZADO DE MÁQUINA PARA IDENTIFICAÇÃO DE PROTEÍNAS ESSENCIAIS

Abstract

Drug development is often a complex and time-consuming process. Especially in the initial phase, the selection of a target for drug development can take many years. Essential genes and proteins are biological entities responsible for biological processes of survival and reproduction of organisms. Genes and proteins related to ancestry, in organisms of different species, usually retain their function. Furthermore, studies indicate that essential genes tend to have higher expression and encode proteins that engage in more protein-protein. All these characteristics make proteins potential drug targets. Many works in the literature propose biological and computational approaches for essentiality identification. Therefore, this work presents two workflows for identifying essentiality characteristics in proteins for drug targets of the target organism S. mansoni. For this, a method based on homology and another method based on machine learning with Model organisms S. cerevisiae, C. elegans and D. melanogaster. The homology-based method identified 11 essential candidate proteins with the group of model organisms and the organism S. mansoni. Among peers, the largest number of candidates it was with S. cerevisiae where 726 candidate essential proteins were identified. Full name based on machine learning, around 4000 proteins were predicted for this method experiments were carried out with three tree-based algorithms, XGBoost and Gradient Boosting and Random Forest, and context-based features (protection-protection interaction) and sequence-based. The algorithms showed better recall values using the technique of Undersampling. Furthermore, 3290 proteins were predicted as essential by the three algorithms worked on, which demonstrated a certain similarity between the results of the algorithms.

O desenvolvimento de um fármaco costuma ser um processo complexo e demorado. Principalmente na fase inicial, a seleção de um alvo para desenvolvimento de fármacos pode demorar muitos anos. Genes e proteínas essenciais são entidades biológicas responsáveis por processos biológicos de sobrevivência e reprodução dos organismos. Genes e proteínas com relação de ancestralidade, em organismos de espécies diferentes, costumam conservar a função. Além disso, estudos indicam que genes essenciais tendem a ter maior expressão e codificam proteínas que se envolvem em mais interações proteína-proteína. Todas essas características tornam proteínas essenciais potenciais alvos de fármacos. Muitos trabalhos na literatura propõem abordagens biológicas e computacionais para identificação de essencialidade. Diante disso, este trabalho apresenta dois workflows para identificação de características de essencialidade em proteínas para alvos de fármacos do organismo alvo S. mansoni. Para isso, foram abordados um método baseado em homologia e outro método baseado em aprendizado de maquina com os organismos modelo S. cerevisiae, C. elegans e D. melanogaster. O método baseado em homologia identificou 11 proteínas candidatas a essenciais com o grupo de organismos modelo e o organismo S. mansoni. Entre os pares, a maior quantidade de candidatas foi com S. cerevisiae onde foram identificadas 726 proteínas candidatas a essenciais. No método baseado em aprendizado de maquina, cerca de 4000 proteínas foram preditas Para esse método foram realizados experimentos com três algoritmos baseados em árvore, XGBoost e Gradient Boosting e Random Forest, e características baseadas em contexto (interação proteína-proteína) e baseadas em sequencia. Os algoritmos apontaram melhores valores de recall com o uso da técnica de Undersampling. Ainda, 3290 proteínas foram preditas como essenciais pelos três algoritmos trabalhados, o que demonstrou certa semelhança entre os resultados dos algoritmos.