{"id":{"repo_id":"brazil-ufpe","oai_identifier":"oai:repositorio.ufpe.br:123456789/64570"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-ufpe/oai:repositorio.ufpe.br:123456789/64570","repository":{"repo_id":"brazil-ufpe","name":"Brazil UFPE","base_url":"https://repositorio.ufpe.br/oai/request"},"display":{"title":"Desenvolvimento de uma abordagem híbrida inteligente para estimação de docking molecular entre proteínas utilizando redes de pseudo-convolução e Random Forests","abstract":"Docking molecular é uma técnica computacional utilizada para prever como duas moléculas, geralmente uma proteína e um ligante, interagem entre si. Essa técnica simula o encaixe da molécula menor (ligante) no sítio ativo da molécula maior (proteína), permitindo a análise de afinidade e especificidade das interações. Essa abordagem é fundamental para a desco berta de novos medicamentos, pois auxilia na identificação de possíveis candidatos a fármacos e na compreensão dos mecanismos moleculares subjacentes a diversas doenças. Além disso, técnicas avançadas de Inteligência Artificial (IA) e aprendizado de máquina têm aprimorado a precisão e a eficiência dessas previsões, reduzindo custos e tempo no desenvolvimento de novos tratamentos. Neste trabalho, foi desenvolvida uma abordagem híbrida inteligente para a estimativa do encaixe molecular entre proteínas, integrando redes de pseudo-convolução e algoritmos de *Random Forests*. O objetivo foi melhorar a precisão na previsão da afinidade de ligação entre proteínas por meio de uma estratégia baseada em aprendizado de máquina. As redes de pseudo-convolução foram empregadas para processar sequências de aminoácidos das proteínas candidatas, fragmentando-as em segmentos menores e capturando informações estruturais relevantes. Posteriormente, os vetores resultantes foram classificados por modelos de Random Forests. A metodologia foi avaliada por meio de experimentos comparativos com abordagens tradicionais de *docking* molecular, explorando também a capacidade de gene ralização do modelo a diferentes tipos de proteínas e interações moleculares. Os resultados demonstraram avanços significativos, com destaque para a redução de 8113 para 11 atributos, o que aumentou a eficiência computacional sem prejuízo da acurácia. O modelo de Random Forest com 200 árvores obteve acurácia de 99,8%, índice Kappa de 0,997, sensibilidade de 0,997, especificidade de 1,000 e AUC de 1,000, evidenciando alto desempenho e contribuições relevantes para a descoberta computacional de medicamentos. A conclusão deste trabalho evidencia que a abordagem proposta, baseada em redes de pseudo-convolução e algoritmos Random Forest, obteve desempenho elevado na tarefa de predição de docking molecular, com acurácia de 99,8% e índice Kappa de 0,997. Também é destacado que a redução de atributos, de 8113 para apenas 11, possibilitou uma significativa diminuição no tempo de treinamento dos modelos, mantendo a alta performance. Por fim, são sugeridas aplicações futuras da me todologia em diferentes bases de dados e cenários de interação molecular.","abstract_html":"Docking molecular é uma técnica computacional utilizada para prever como duas moléculas, geralmente uma proteína e um ligante, interagem entre si. Essa técnica simula o encaixe da molécula menor (ligante) no sítio ativo da molécula maior (proteína), permitindo a análise de afinidade e especificidade das interações. Essa abordagem é fundamental para a desco berta de novos medicamentos, pois auxilia na identificação de possíveis candidatos a fármacos e na compreensão dos mecanismos moleculares subjacentes a diversas doenças. Além disso, técnicas avançadas de Inteligência Artificial (IA) e aprendizado de máquina têm aprimorado a precisão e a eficiência dessas previsões, reduzindo custos e tempo no desenvolvimento de novos tratamentos. Neste trabalho, foi desenvolvida uma abordagem híbrida inteligente para a estimativa do encaixe molecular entre proteínas, integrando redes de pseudo-convolução e algoritmos de *Random Forests*. O objetivo foi melhorar a precisão na previsão da afinidade de ligação entre proteínas por meio de uma estratégia baseada em aprendizado de máquina. As redes de pseudo-convolução foram empregadas para processar sequências de aminoácidos das proteínas candidatas, fragmentando-as em segmentos menores e capturando informações estruturais relevantes. Posteriormente, os vetores resultantes foram classificados por modelos de Random Forests. A metodologia foi avaliada por meio de experimentos comparativos com abordagens tradicionais de *docking* molecular, explorando também a capacidade de gene ralização do modelo a diferentes tipos de proteínas e interações moleculares. Os resultados demonstraram avanços significativos, com destaque para a redução de 8113 para 11 atributos, o que aumentou a eficiência computacional sem prejuízo da acurácia. O modelo de Random Forest com 200 árvores obteve acurácia de 99,8%, índice Kappa de 0,997, sensibilidade de 0,997, especificidade de 1,000 e AUC de 1,000, evidenciando alto desempenho e contribuições relevantes para a descoberta computacional de medicamentos. A conclusão deste trabalho evidencia que a abordagem proposta, baseada em redes de pseudo-convolução e algoritmos Random Forest, obteve desempenho elevado na tarefa de predição de docking molecular, com acurácia de 99,8% e índice Kappa de 0,997. Também é destacado que a redução de atributos, de 8113 para apenas 11, possibilitou uma significativa diminuição no tempo de treinamento dos modelos, mantendo a alta performance. Por fim, são sugeridas aplicações futuras da me todologia em diferentes bases de dados e cenários de interação molecular.","abstract_has_math":false,"creators":["ALBUQUERQUE, Lucas Vinícius Silva de"],"institution":"Universidade Federal de Pernambuco","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["SANTOS, Wellington Pinheiro dos"],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025-03-24","date_published":"2025-03-24","updated_at":"2026-07-24T01:19:15Z","subjects":["Docking molecular","Interações proteína-proteína","Redes de pseudo-convolução","Random Forests","Descoberta de medicamentos","Afinidade de ligação"],"languages":["por"],"rights":["openAccess"],"rights_urls":["https://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.ufpe.br/handle/123456789/64570","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["SANTOS, Wellington Pinheiro dos"]},{"key":"dc:creator","label":"Author","values":["ALBUQUERQUE, Lucas Vinícius Silva de"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-07-21T19:06:38Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-07-21T19:06:38Z"]},{"key":"dc:date.issued","label":"Date","values":["2025-03-24"]},{"key":"dc:publisher","label":"Institution","values":["Universidade Federal de Pernambuco"]},{"key":"dc:type","label":"Dc Type","values":["masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Docking molecular","Interações proteína-proteína","Redes de pseudo-convolução","Random Forests","Descoberta de medicamentos","Afinidade de ligação"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["por"]},{"key":"dc:rights","label":"Dc Rights","values":["openAccess"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.ufpe.br/handle/123456789/64570"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Docking molecular é uma técnica computacional utilizada para prever como duas moléculas, geralmente uma proteína e um ligante, interagem entre si. Essa técnica simula o encaixe da molécula menor (ligante) no sítio ativo da molécula maior (proteína), permitindo a análise de afinidade e especificidade das interações. Essa abordagem é fundamental para a desco berta de novos medicamentos, pois auxilia na identificação de possíveis candidatos a fármacos e na compreensão dos mecanismos moleculares subjacentes a diversas doenças. Além disso, técnicas avançadas de Inteligência Artificial (IA) e aprendizado de máquina têm aprimorado a precisão e a eficiência dessas previsões, reduzindo custos e tempo no desenvolvimento de novos tratamentos. Neste trabalho, foi desenvolvida uma abordagem híbrida inteligente para a estimativa do encaixe molecular entre proteínas, integrando redes de pseudo-convolução e algoritmos de *Random Forests*. O objetivo foi melhorar a precisão na previsão da afinidade de ligação entre proteínas por meio de uma estratégia baseada em aprendizado de máquina. As redes de pseudo-convolução foram empregadas para processar sequências de aminoácidos das proteínas candidatas, fragmentando-as em segmentos menores e capturando informações estruturais relevantes. Posteriormente, os vetores resultantes foram classificados por modelos de Random Forests. A metodologia foi avaliada por meio de experimentos comparativos com abordagens tradicionais de *docking* molecular, explorando também a capacidade de gene ralização do modelo a diferentes tipos de proteínas e interações moleculares. Os resultados demonstraram avanços significativos, com destaque para a redução de 8113 para 11 atributos, o que aumentou a eficiência computacional sem prejuízo da acurácia. O modelo de Random Forest com 200 árvores obteve acurácia de 99,8%, índice Kappa de 0,997, sensibilidade de 0,997, especificidade de 1,000 e AUC de 1,000, evidenciando alto desempenho e contribuições relevantes para a descoberta computacional de medicamentos. A conclusão deste trabalho evidencia que a abordagem proposta, baseada em redes de pseudo-convolução e algoritmos Random Forest, obteve desempenho elevado na tarefa de predição de docking molecular, com acurácia de 99,8% e índice Kappa de 0,997. Também é destacado que a redução de atributos, de 8113 para apenas 11, possibilitou uma significativa diminuição no tempo de treinamento dos modelos, mantendo a alta performance. Por fim, são sugeridas aplicações futuras da me todologia em diferentes bases de dados e cenários de interação molecular."]},{"key":"dc:title","label":"Title","values":["Desenvolvimento de uma abordagem híbrida inteligente para estimação de docking molecular entre proteínas utilizando redes de pseudo-convolução e Random Forests"]}]}],"canonical_facts":{"dc:contributor.advisor":["SANTOS, Wellington Pinheiro dos"],"dc:creator":["ALBUQUERQUE, Lucas Vinícius Silva de"],"dc:date.accessioned":["2025-07-21T19:06:38Z"],"dc:date.available":["2025-07-21T19:06:38Z"],"dc:date.issued":["2025-03-24"],"dc:description.abstract":["Docking molecular é uma técnica computacional utilizada para prever como duas moléculas, geralmente uma proteína e um ligante, interagem entre si. Essa técnica simula o encaixe da molécula menor (ligante) no sítio ativo da molécula maior (proteína), permitindo a análise de afinidade e especificidade das interações. Essa abordagem é fundamental para a desco berta de novos medicamentos, pois auxilia na identificação de possíveis candidatos a fármacos e na compreensão dos mecanismos moleculares subjacentes a diversas doenças. Além disso, técnicas avançadas de Inteligência Artificial (IA) e aprendizado de máquina têm aprimorado a precisão e a eficiência dessas previsões, reduzindo custos e tempo no desenvolvimento de novos tratamentos. Neste trabalho, foi desenvolvida uma abordagem híbrida inteligente para a estimativa do encaixe molecular entre proteínas, integrando redes de pseudo-convolução e algoritmos de *Random Forests*. O objetivo foi melhorar a precisão na previsão da afinidade de ligação entre proteínas por meio de uma estratégia baseada em aprendizado de máquina. As redes de pseudo-convolução foram empregadas para processar sequências de aminoácidos das proteínas candidatas, fragmentando-as em segmentos menores e capturando informações estruturais relevantes. Posteriormente, os vetores resultantes foram classificados por modelos de Random Forests. A metodologia foi avaliada por meio de experimentos comparativos com abordagens tradicionais de *docking* molecular, explorando também a capacidade de gene ralização do modelo a diferentes tipos de proteínas e interações moleculares. Os resultados demonstraram avanços significativos, com destaque para a redução de 8113 para 11 atributos, o que aumentou a eficiência computacional sem prejuízo da acurácia. O modelo de Random Forest com 200 árvores obteve acurácia de 99,8%, índice Kappa de 0,997, sensibilidade de 0,997, especificidade de 1,000 e AUC de 1,000, evidenciando alto desempenho e contribuições relevantes para a descoberta computacional de medicamentos. A conclusão deste trabalho evidencia que a abordagem proposta, baseada em redes de pseudo-convolução e algoritmos Random Forest, obteve desempenho elevado na tarefa de predição de docking molecular, com acurácia de 99,8% e índice Kappa de 0,997. Também é destacado que a redução de atributos, de 8113 para apenas 11, possibilitou uma significativa diminuição no tempo de treinamento dos modelos, mantendo a alta performance. Por fim, são sugeridas aplicações futuras da me todologia em diferentes bases de dados e cenários de interação molecular."],"dc:identifier.uri":["https://repositorio.ufpe.br/handle/123456789/64570"],"dc:language.iso":["por"],"dc:publisher":["Universidade Federal de Pernambuco"],"dc:rights":["openAccess"],"dc:rights.uri":["https://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Docking molecular","Interações proteína-proteína","Redes de pseudo-convolução","Random Forests","Descoberta de medicamentos","Afinidade de ligação"],"dc:title":["Desenvolvimento de uma abordagem híbrida inteligente para estimação de docking molecular entre proteínas utilizando redes de pseudo-convolução e Random Forests"],"dc:type":["masterThesis"]},"updated_at":"2026-07-24T01:19:15Z"}