Ciências Exatas e da Terra
Ciência da Computação
Resumo
Os aracnídeos são um dos maiores grupos de organismos peçonhentos, com grande importância para a saúde pública devido aos acidentes causados e ao seu potencial farmacológico. A caracterização tradicional de toxinas para a produção de soros antiaracnídicos, por meio de ensaios em animais, enfrenta desafios éticos e logísticos. Este estudo propõe uma abordagem bioinformática inovadora para a caracterização das toxinas Fosfolipase D (FLD) ou dermonecróticas, presentes no veneno de aranhas Loxosceles, que são responsáveis por lesões dermonecróticas, alinhando-se aos princípios dos 3Rs. Foi desenvolvida uma pipeline computacional que combina várias técnicas de aprendizado de máquina para caracterizar e classificar essas toxinas. O processo teve início com a coleta de sequências proteicas de aranhas em bancos de dados públicos, seguida pela identificação e classificação das toxinas dermonecróticas. Além disso, foi realizada uma análise filogenética, que identificou domínios associados à atividade das FLDs. As características físico-químicas das toxinas foram extraídas com o uso de descritores proteicos, indicando propriedades relevantes. O método de Análise de Componentes Principais (PCA) foi aplicado para reduzir a dimensionalidade dos dados e destacar as principais variações nas sequências. A classificação das toxinas foi realizada usando os algoritmos K-means e Hierarchical Clustering, com base em padrões moleculares, físico-químicos. Os resultados mostraram que 48% das 184 espécies analisadas apresentaram expressão significativa da toxina, 33% demonstraram frequência moderada e 19% apresentaram baixa frequência. Essa abordagem pode reduzir ou complementar o uso de modelos animais, permitindo a caracterização das propriedades físico-químicas das toxinas FLDs. Esta metodologia estabelece um novo paradigma para a caracterização toxicológica, reduzindo a necessidade de testes em animais e contribuindo para o desenvolvimento de tratamentos antipeçonhentos.
Palavras-chave: Bioinformática, Machine Learning, Toxinas Fosfolipase D