Algoritmos genéticos (AGs) são técnicas de otimização estocástica que não garantem a solução ótima do problema todas as vezes em que são executados, se tratando assim de um processo não-determinístico. Apesar disso, existem diversos contextos em que AGs podem ser utilizados, e a bioinformática é um exemplo.
Deaven e Ho (1995) [20], por exemplo, propuseram um método usando AGs para determinar a estrutura de menor energia de um cluster atômico. Wild e Willett (1996) [21], por sua vez, fizeram uma pesquisa de similaridade em bases de dados de estruturas tridimensionais de produtos químicos, representados pelos seus campos potenciais eletrostáticos moleculares. Os autores utilizaram um AG para alinhar os campos moleculares, maximizando a sua sobreposição.
Jones et al. (1997) [22] descreveram o Genetic Optimisation for Ligand Docking (GOLD) um método de docking automático de ligantes que utiliza um AG para explorar toda a gama de flexibilidade conformacional do ligante com a flexibilidade parcial da proteína.
No ano 2000, Szustakowski e Weng (2000) [23] modelaram um AG para alinhar estruturas de proteínas. Dado que as estruturas das proteínas são mais conservadas no núcleo do que nos loops e alças (com exceção dos loops e alças envolvidos em sítios ativos), a estratégia utilizada foi a de alinhar os núcleos das proteínas, representados por seus elementos da estrutura secundária (SSE). Para essa tarefa, um AG foi utilizado para encontrar a menor diferença entre as matrizes de distância. Quatro anos mais tarde, de Magalhães et al. (2004) [24] utilizaram AGs para tratar do problema de docking para proteína-ligante. Nele, o AG trabalha com uma população de indivíduos, onde cada indivíduo é a posição do ligante com relação a proteína. Desta forma, a conformação do ligante é representada por um cromossomo constituído de genes de valores reais representando os graus de liberdade de orientação e conformação. A função de fitness foi baseada na interação total de energia entre a proteína e a molécula ligante. Os resultados mostraram que a distribuição da população inicial pode ser relevante para a performance do algoritmo.
Ainda em 2004, Unger (2004) [25] apresentou um trabalho discutindo o uso e os resultados dos AGs em problemas de predição e alinhamento de estruturas de proteínas. Na predição de estruturas, são tratadas questões como representação dos indivíduos, função de fitness e operadores genéticos. Entre as questões discutidas está o problema de colisão entre os átomos quando um indivíduo é definido como sendo os valores dos ângulos φ e ψ ao longo da cadeia principal. Dessa forma, as aplicações que usam essa abordagem devem incluir, de alguma maneira, um procedimento para detectar essas colisões.
Liu e Tao (2008) [26] propuseram a utilização de AG para a predição de estrutura de proteínas baseando-se em sua sequência. Os autores utilizaram valores hidrofóbicos de proteínas como um modelo de otimização matemático e um AG foi utilizado para resolver o problema de otimização.
Em Fober et al. (2009) [27], os AGs foram usados na construção de alinhamentos de múltiplos grafos (MGA) para a análise estrutural de biomoléculas. No trabalho proposto, cada MGA corresponde a uma solução candidata (indivíduo).
Kernytsky e Rost (2009) [28] utilizaram AGs para o problema de predição de função com uma abordagem diferente. O indivíduo do AG nessa abordagem é codificado a partir de informações de resíduo, estrutura secundária, acessibilidade do solvente, hélice transmembrana e conservação obtidos através de alinhamentos múltiplos de sequências. O AG seleciona os indivíduos mais aptos para a próxima geração a partir da avaliação feita por um algoritmo de aprendizagem baseado em redes neurais.
Kato et al. (2015) [29] implementaram um AG para refinar parâmetros de campo de força com o objetivo de determinar a energia de RNA. Nessa abordagem, os nucleotídeos uracila, adenina, guanina ou citosina são utilizados como referências para os cálculos de mecânica quântica e clássica, onde as energias de torção (diedro) e a eletrostática são reparametrizadas.
Otovic et al. (2020) [30] desenvolveram um AG para busca em espaços químicos de pequenos peptídeos. O trabalho permitiu a definição de bibliotecas de peptídeos capazes de cobrir uma grande área do espaço de pesquisa de novos peptídeos ativos.
No próximo capítulo conheceremos a ferramenta GASS. Clique aqui para acessar o próximo capítulo.
Este texto faz parte do artigo Algoritmos Genéticos (AG). Para uma melhor organização, este artigo será dividido em três partes:
Sou a Amanda Da Silva, gostei muito do seu artigo tem
muito conteúdo de valor parabéns nota 10 gostei muito.