Repositorio
Institucional

Lopez-Cortes, Xaviera A.

Insight into the Relationships Between Chemical, Protein and Functional Variables in the PBP/GOBP Family in Moths Based on Machine Learning

MDPI

INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES

en

During their lives, insects must cope with a plethora of chemicals, of which a few will have an impact at the behavioral level. To detect these chemicals, insects use several protein families located in their main olfactory organs, the antennae. Inside the antennae, odorant-binding proteins (OBPs), as the most studied protein family, bind volatile chemicals to transport them. Pheromone-binding proteins (PBPs) and general-odorant-binding proteins (GOPBs) are two subclasses of OBPs and have evolved in moths with a putative olfactory role. Predictions for OBP-chemical interactions have remained limited, and functional data collected over the years unused. In this study, chemical, protein and functional data were curated, and related datasets were created with descriptors. Regression algorithms were implemented and their performance evaluated. Our results indicate that XGBoostRegressor exhibits the best performance (R2 of 0.76, RMSE of 0.28 and MAE of 0.20), followed by GradientBoostingRegressor and LightGBMRegressor. To the best of our knowledge, this is the first study showing a correlation among chemical, protein and functional data, particularly in the context of the PBP/GOBP family of proteins in moths.Durante su vida, los insectos deben lidiar con una gran cantidad de sustancias químicas, algunas de las cuales influyen en su comportamiento. Para detectarlas, utilizan diversas familias de proteínas ubicadas en sus principales órganos olfativos: las antenas. Dentro de las antenas, las proteínas de unión a odorantes (OBP), la familia de proteínas más estudiada, se unen a sustancias químicas volátiles para transportarlas. Las proteínas de unión a feromonas (PBP) y las proteínas de unión a odorantes generales (GOPB) son dos subclases de OBP y han evolucionado en las polillas con una supuesta función olfativa. Las predicciones sobre las interacciones entre OBP y sustancias químicas han sido limitadas, y los datos funcionales recopilados a lo largo de los años han permanecido sin utilizar. En este estudio, se recopilaron datos químicos, proteicos y funcionales, y se crearon conjuntos de datos relacionados con descriptores. Se implementaron algoritmos de regresión y se evaluó su rendimiento. Nuestros resultados indican que XGBoostRegressor presenta el mejor rendimiento (R2 de 0,76, RMSE de 0,28 y MAE de 0,20), seguido de GradientBoostingRegressor y LightGBMRegressor. Hasta donde sabemos, este es el primer estudio que muestra una correlación entre datos químicos, proteicos y funcionales, particularmente en el contexto de la familia de proteínas PBP/GOBP en polillas.

artículo original

chemical ecology

lepidoptera

odorant-binding proteins

artificial intelligence

ligand binding

regression algorithm

10.3390/ijms26052302

pdf

ODORANT-BINDING PROTEINS

PHEROMONE-BINDING

LIGAND-BINDING

EXPRESSION

INSECTS

DRIVERS

COMPLEX

ROLES

ODORANT-BINDING PROTEINS

PHEROMONE-BINDING

LIGAND-BINDING

EXPRESSION

INSECTS

DRIVERS

COMPLEX

ROLES

Zoología, Ornitología, Entomología y Comportamiento Biológico

Bioquímica

Ciencias de la Computación

versión publicada

dorada

verde

acceso abierto

acceso abierto

WOS:001442510700001

Insight into the Relationships Between Chemical, Protein and Functional Variables in the PBP/GOBP Family in Moths Based on Machine Learning

artículo original

MDPI

INTERNATIONAL JOURNAL OF MOLECULAR SCIENCES

Biochemistry & Molecular Biology

Chemistry, Multidisciplinary

en

1661-6596

CC BY 4.0

Agencia Nacional de Investigacion y Desarrollo (ANID), Fondecyt Regular

Agencia Nacional de Investigacion y Desarrollo (ANID), Fondecyt Regular [1240459]

pdf