Minicursos

Resumo:: A Aprendizagem de Máquina (AM), subárea da Inteligência Artificial, atualmente permeia nosso cotidiano, tanto pessoal quanto de desenvolvimento científico. E no contexto da modelagem molecular, o uso de técnicas da AM já demonstrou importantes contribuições em diversas fases e atribuições, como na preparação de dados, na identificação de padrões em vastos conjuntos de dados, na geração de novas moléculas ou no aprimoramento de funções já estabelecidas. Sendo assim, esse minicurso pretende introduzir a temática, com conceitos fundamentais e exemplificações de possíveis aplicações que permitam ao participante compreender capacidades e limitações, especialmente úteis na interpretação dos resultados advindos do uso dessas técnicas, além de uma preparação para cursos avançados.

Ementa::
- Introdução e conceitos da Aprendizagem de Máquina
- Aprendizagem Supervisionada
- Aprendizagem Não-Supervisionada
- Classificação e regressão de dados
- Exemplos em classificação de dados com:
- Modelos Lineares
- Árvores de decisão
- Floresta Aleatória (Random Forest)
- Máquina de Vetores de Suporte (SVM)
- Redes Neuronais Artificiais (RNA)
- Exemplo prático com uso de redes neuronais profundas (Deep Learning)

O minicurso tem como objetivo apresentar as principais técnicas computacionais para predição de estruturas tridimensionais de proteínas. O curso percorre desde a busca por estruturas de referência em bancos de dados, passando pela construção e otimização de modelos, até a validação estrutural dos resultados. O conteúdo também abrange predições estruturais complementares, como estrutura secundária e regiões transmembrana e inclui uma comparação com técnicas alternativas baseadas em Inteligência Artificial. É recomendado que os cursistas tenham algum conhecimento básico em Linux.

O minicurso apresenta fundamentos e técnicas de visualização molecular aplicadas à comunicação científica. A partir de exemplos práticos em ChimeraX e Blender, os participantes explorarão diferentes representações estruturais e aprenderão a gerar imagens e animações adequadas para publicações e apresentações. Destinado a estudantes e pesquisadores com familiaridade básica em modelagem ou estruturas biomoleculares 3D.

Resumo: O entendimento da dinâmica conformacional de proteínas é essencial para investigar mecanismos moleculares associados à função biológica, reconhecimento molecular, catálise, alosteria e interação com ligantes. Neste minicurso, os estudantes terão uma introdução teórica e prática a ferramentas modernas de biologia estrutural computacional voltadas à exploração de movimentos coletivos de proteínas e métodos avançados de amostragem conformacional. O curso abordará a análise de modos normais (NMA) como ferramenta para predição de movimentos funcionais de macromoléculas, incluindo aplicações em transições conformacionais, análise de flexibilidade e interpretação estrutural de dados experimentais. Os participantes aprenderão a calcular e interpretar modos normais, analisar deformações estruturais, identificar domínios dinâmicos e comparar movimentos coletivos obtidos por NMA com componentes principais derivados de simulações de dinâmica molecular (MD) e ensembles experimentais. Além disso, serão apresentadas metodologias híbridas de amostragem ampliada, com foco no método MDeNM (Dinâmica Molecular com modos excitados), permitindo explorar transições conformacionais raras e gerar ensembles estruturais biologicamente relevantes. O minicurso incluirá atividades práticas de simulações e análise comparativa entre MDeNM, MD convencional e dados experimentais. Por fim, os participantes terão contato com estratégias modernas de fitting flexível em mapas de crio-microscopia eletrônica (cryo-EM), utilizando abordagens híbridas como MDeNM-MDFF para refinamento estrutural de complexos macromoleculares. O minicurso é voltado para estudantes e pesquisadores interessados em biofísica, biologia estrutural, modelagem molecular, dinâmica molecular e métodos computacionais aplicados ao estudo da dinâmica de biomoléculas.


Ementa: Este minicurso abordará fundamentos teóricos e aplicações práticas de métodos computacionais voltados à investigação da dinâmica conformacional de proteínas, com ênfase na análise de movimentos coletivos associados à função biológica. Serão apresentados os princípios da análise de modos normais (Normal Mode Analysis – NMA) para predição de movimentos funcionais de macromoléculas, incluindo aplicações em transições conformacionais, comunicação alostérica, identificação de movimentos coletivos e interpretação funcional da plasticidade estrutural de proteínas. Na parte teórica, serão discutidos diferentes modelos de NMA, aplicações em biologia estrutural computacional, estratégias híbridas de simulação utilizando modos normais e abordagens de fitting flexível em mapas de densidade eletrônica de crio-microscopia eletrônica (cryo-EM). As atividades práticas incluirão o cálculo e análise de modos normais em proteínas, avaliação de deformação estrutural e flutuação de resíduos, identificação de domínios dinâmicos e comparação entre movimentos previstos por NMA e aqueles obtidos por Análise de Componentes Principais (PCA) derivada de simulações de dinâmica molecular (MD) e ensembles experimentais. Também serão exploradas projeções conformacionais no espaço dos modos normais e nos componentes principais experimentais. O minicurso apresentará ainda metodologias de amostragem ampliada guiadas por movimentos coletivos, com foco no método MDeNM (Molecular Dynamics with excited Normal Modes). Os participantes realizarão simulações de MDeNM, comparando os ensembles conformacionais gerados com simulações convencionais de MD e com estruturas experimentais disponíveis. Por fim, será realizada uma introdução prática ao fitting flexível de estruturas em mapas de densidade eletrônica utilizando a metodologia híbrida MDeNM-MDFF (Molecular Dynamics Flexible Fitting), destacando seus fundamentos, aplicações e potencial para refinamento estrutural em estudos integrativos de macromoléculas biológicas.


Bibliografia:


1. MDFF_NM: Improved Molecular Dynamics Flexible Fitting into Cryo-EM Density Maps with a Multireplica Normal Mode-Based Search
Zakaria L. Dahmani, Ana Ligia Scott, Catherine Vénien-Bryan, David Perahia, and Mauricio G.S Costa. Journal of Chemical Information and Modeling (2024), 64 (13), 5151-5160. DOI: 10.1021/acs.jcim.3c02007
2. MDexciteR: Enhanced Sampling Molecular Dynamics by Excited Normal Modes or Principal Components Obtained from Experiments
Mauricio G. S. Costa, Paulo R. Batista, Antoniel Gomes, Leonardo S. Bastos, Maxime Louet, Nicolas Floquet, Paulo M. Bisch, and David Perahia. Journal of Chemical Theory and Computation (2023), 19 (2), 412-425. DOI: 10.1021/acs.jctc.2c00599
3. Sampling of Protein Conformational Space Using Hybrid Simulations: A Critical Assessment of Recent Methods
Kaynak BT, Krieger JM, Dudas B, Dahmani ZL, Costa MGS, Balog E, Scott AL, Doruker P, Perahia D and Bahar. I Front. Mol. Biosci.(2022). 9:832847. doi:10.3389/fmolb.2022.832847
4. A New Strategy for Atomic Flexible Fitting in Cryo-EM Maps by Molecular Dynamics with Excited Normal Modes (MDeNM-EMfit)
Mauricio G. S. Costa, Charline Fagnen, Catherine Vénien-Bryan, and David Perahia
Journal of Chemical Information and Modeling (2020), 60 (5), 2419-2423
DOI: 10.1021/acs.jcim.9b01148
5. Exploring Free Energy Landscapes of Large Conformational Changes: Molecular Dynamics with Excited Normal Modes
Mauricio G. S. Costa, Paulo R. Batista, Paulo M. Bisch, and David Perahia
Journal of Chemical Theory and Computation (2015). 11 (6), 2755-2767
DOI: 10.1021/acs.jctc.5b00003

O curso visa introduzir os princípios do reconhecimento molecular das interfaces proteína–proteína e proteína–peptídeo. Serão apresentadas as principais abordagens de docking nesta área, incluindo estratégias de amostragem e o tratamento da flexibilidade estrutural. Critérios de tomada de decisão consenso serão abordadas com ênfase em boas práticas de análise estrutural e interpretação biológica dos resultados. Durante o curso serão trabalhados exemplos práticos e espera-se que o cursista leve seu próprio notebook para a realização das atividades.

Um dos grandes desafios na área de modelagem molecular é o tratamento químico-quântico completo de sistemas de alta complexidade, tais como: biomoléculas, materiais, superfícies, polímeros, soluções, etc1. Quando se usa técnicas de escalonamento linear é possível a modelagem de grandes moléculas com cerca de 1 milhão de átomos usando DFT2 e 2 milhões usando métodos semiempíricos3. Ainda nessa perspectiva, métodos de estrutura eletrônica que escalonam linearmente podem ser combinados com dinâmica molecular4 produzindo estratégias computacionais altamente eficientes para simulação de sistemas moleculares complexos. Estes fatos criam a real possibilidade de estudarmos e apresentarmos novos entendimentos de importantes fenômenos em bioquímica, biofísica, biotecnologia e nanotecnologia. Algo nesse sentido tem sido feito no nosso grupo de pesquisa5,6,7,8,9 a partir do software PRIMoRDiA10, que é de domínio público (https://github.com/igorChem/PRIMoRDiA1.0v). Neste minicurso teórico/prático serão abordados aspectos teóricos de métodos semiempíricos de química quântica e realizadas atividades computacionais envolvendo: (i) enovelamento de proteínas, (ii) termodinâmica de complexos enzima-ligante, (iii) interações intermoleculares de complexos enzima-ligante e (iv) reatividade em catálise enzimática, com a geração da trajetória de reação com o nosso novo software OOCCuPy. Os requisitos para acompanhar esse minicurso é ter conta na Google e entender minimamente de Python. Usaremos a plataforma Google Colab (https://colab.research.google.com/) para as nossas modelagens e simulações. Deixo um repositório público onde vários materiais podem ser consultados: https://github.com/RochaGerd/Chemistry_with_Python.

(1) Clary, D. C. Quantum Chemistry of Complex Systems. Science 2006, 314 (5797), 265–266. https://doi.org/10.1126/science.1133434.
(2) VandeVondele, J.; Borštnik, U.; Hutter, J. Linear Scaling Self-Consistent Field Calculations with Millions of Atoms in the Condensed Phase. J. Chem. Theory Comput. 2012, 8 (10), 3565–3573. https://doi.org/10.1021/ct200897x.
(3) Anisimov, V. M.; Bliznyuk, A. A. Charge Transfer Effects in the GroEL-GroES Chaperonin Tetramer in Solution. J. Phys. Chem. B 2012, 116 (22), 6261–6268. https://doi.org/10.1021/jp211385e.
(4) Melo, M. C. R.; Bernardi, R. C.; Rudack, T.; Scheurer, M.; Riplinger, C.; Phillips, J. C.; Maia, J. D. C.; Rocha, G. B.; Ribeiro, J. V.; Stone, J. E.; Neese, F.; Schulten, K.; Luthey-Schulten, Z. NAMD Goes Quantum: An Integrative Suite for Hybrid Simulations. Nat. Methods 2018, 15 (5), 351–354. https://doi.org/10.1038/nmeth.4638.
(5) Grillo, I. B.; Urquiza-Carvalho, G. A.; Rocha, G. B. Quantum Chemical Descriptors Based on Semiempirical Methods for Large Biomolecules. The Journal of chemical physics 2023, 158 (20). https://doi.org/10.1063/5.0132687.
(6) Rocha-Santos, A.; Chaves, E. J. F.; Grillo, I. B.; de Freitas, A. S.; Araújo, D. A. M.; Rocha, G. B. Thermochemical and Quantum Descriptor Calculations for Gaining Insight into Ricin Toxin A (RTA) Inhibitors. ACS Omega 2021, 6 (13), 8764–8777. https://doi.org/10.1021/acsomega.0c02588.
(7) Grillo, I. B.; Urquiza-Carvalho, G. A.; Bachega, J. F. R.; Rocha, G. B. Elucidating Enzymatic Catalysis Using Fast Quantum Chemical Descriptors. Journal of Chemical Information and Modeling 2020, 60 (2), 578–591. https://doi.org/10.1021/acs.jcim.9b00860.
(8) Grillo, I. B.; Urquiza‐Carvalho, G. A.; Chaves, E. J. F.; Rocha, G. B. Semiempirical Methods Do Fukui Functions: Unlocking a Modeling Framework for Biosystems. J. Comput. Chem. 2020, jcc.26148. https://doi.org/10.1002/jcc.26148.
(9) Rocha-Santos, A.; Grillo, I. B.; Aires Urquiza-Carvalho, G.; Rocha, G. B. The Role of the Electronic Structure during Protein Folding through Electron Density-Based Quantum Chemical Descriptors. ACS Omega 2026. https://doi.org/10.1021/acsomega.5c05968.
(10) Grillo, I. B.; Urquiza-Carvalho, G. A.; Rocha, G. B. PRIMoRDiA: A Software to Explore Reactivity and Electronic Structure in Large Biomolecules. J. Chem. Inf. Model. 2020, acs.jcim.0c00655. https://doi.org/10.1021/acs.jcim.0c00655.