{"id":49563328,"url":"https://github.com/madsondeluna/alaninescanning4eif4e","last_synced_at":"2026-05-03T10:47:33.795Z","repository":{"id":327296856,"uuid":"1108671943","full_name":"madsondeluna/alaninescanning4eif4e","owner":"madsondeluna","description":"A Python framework for computational alanine scanning and hotspot identification using Rosetta's Flex ddG protocol.","archived":false,"fork":false,"pushed_at":"2025-12-04T12:03:12.000Z","size":2262,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2026-05-03T10:47:32.661Z","etag":null,"topics":["alanine-scanning","mutation-analysis","protein-stability","rosetta-scripts","structural-bioinformatics"],"latest_commit_sha":null,"homepage":"https://madsondeluna.github.io/","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"mit","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/madsondeluna.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null,"notice":null,"maintainers":null,"copyright":null,"agents":null,"dco":null,"cla":null}},"created_at":"2025-12-02T19:00:35.000Z","updated_at":"2025-12-04T12:03:16.000Z","dependencies_parsed_at":null,"dependency_job_id":null,"html_url":"https://github.com/madsondeluna/alaninescanning4eif4e","commit_stats":null,"previous_names":["madsondeluna/alaninescanning4eif4e"],"tags_count":0,"template":false,"template_full_name":null,"purl":"pkg:github/madsondeluna/alaninescanning4eif4e","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/madsondeluna%2Falaninescanning4eif4e","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/madsondeluna%2Falaninescanning4eif4e/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/madsondeluna%2Falaninescanning4eif4e/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/madsondeluna%2Falaninescanning4eif4e/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/madsondeluna","download_url":"https://codeload.github.com/madsondeluna/alaninescanning4eif4e/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/madsondeluna%2Falaninescanning4eif4e/sbom","scorecard":null,"host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":286080680,"owners_count":32566444,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2026-05-03T06:36:36.687Z","status":"ssl_error","status_checked_at":"2026-05-03T06:36:09.306Z","response_time":103,"last_error":"SSL_read: unexpected eof while reading","robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":false,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["alanine-scanning","mutation-analysis","protein-stability","rosetta-scripts","structural-bioinformatics"],"created_at":"2026-05-03T10:47:31.670Z","updated_at":"2026-05-03T10:47:33.787Z","avatar_url":"https://github.com/madsondeluna.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Alanine Scanning com PyRosetta - Protocolo Flex ddG\n\nFramework Python para análise computacional de alanine scanning usando PyRosetta e o protocolo Flex ddG.\n\n## Descrição\n\nEste framework implementa o protocolo Flex ddG para calcular mudanças na energia livre (ΔΔG) ao introduzir mutações pontuais para alanina em proteínas. O método considera flexibilidade conformacional da cadeia principal através de movimentos backrub, proporcionando estimativas mais acuradas que métodos de estrutura fixa.\n\n## Fundamentos Teóricos\n\n### Função de Energia REF2015\n\nO Rosetta utiliza a função de energia REF2015 (Alford et al., 2017), que combina termos físicos e estatísticos:\n\n```\nE_total = Σ w_i × E_i\n```\n\n**Componentes principais:**\n\n1. `fa_atr` - van der Waals atrativo (Lennard-Jones)\n   - Peso: ~1.0\n   - Captura interações hidrofóbicas e empacotamento\n\n2. `fa_rep` - van der Waals repulsivo\n   - Peso: ~0.55\n   - Previne overlaps estéricos\n\n3. `fa_sol` - Solvatação (modelo Lazaridis-Karplus)\n   - Peso: ~1.0\n   - Efeito hidrofóbico e dessolvatação polar\n\n4. `fa_elec` - Eletrostático (coulômbico)\n   - Peso: ~1.0\n   - Interações carga-carga, pontes salinas\n\n5. `hbond_sc/hbond_bb` - Ligações de hidrogênio\n   - Peso: ~1.0-1.5\n   - Termos direcionais para cadeia lateral e principal\n\n6. Termos entrópicos:\n   - `pro_close`: Fechamento de prolina\n   - `dslf_fa53`: Pontes dissulfeto\n   - `rama_prepro`: Mapa de Ramachandran\n\n**Unidade de energia:**\n- Rosetta Energy Units (REU)\n- Aproximadamente 1 REU ≈ 1 kcal/mol (métrica relativa)\n\n### Protocolo Flex ddG\n\nO protocolo Flex ddG (Barlow et al., 2018) é um método ensemble-based para calcular ΔΔG:\n\n**Workflow:**\n\n1. **Minimização da estrutura wild-type**\n   - Relaxamento com packing e minimização\n   - Gera estrutura de referência otimizada\n\n2. **Backrub ensemble generation**\n   - Aplica movimentos \"backrub\" na cadeia principal\n   - Simula flexibilidade local em torno da mutação\n   - Gera diversidade conformacional realista\n\n3. **Mutação e repacking**\n   - Introduz mutação (ex: Trp → Ala)\n   - Reempacota cadeias laterais na vizinhança (raio ~8 Å)\n\n4. **Cálculo de ΔΔG**\n   ```\n   ΔΔG = E_mutante - E_wild-type\n   ```\n   - ΔΔG \u003e 0: Mutação desestabiliza (hotspot)\n   - ΔΔG \u003c 0: Mutação estabiliza\n   - ΔΔG ≈ 0: Mutação neutra\n\n5. **Estatística sobre ensemble**\n   - Calcula média e desvio padrão sobre n estruturas\n   - Erro típico: ±0.5-1.0 kcal/mol\n\n### Critério de Hotspots (±2 REU)\n\nO critério **ΔΔG \u003e +2.0 kcal/mol** para definir hotspots vem de estudos experimentais e computacionais:\n\n**Justificativa experimental:**\n- ΔΔG = +2.0 kcal/mol corresponde a redução de ~30x na afinidade a 25°C:\n  ```\n  K_d,mut / K_d,wt = exp(ΔΔG / RT) = exp(2.0 / 0.592) ≈ 30\n  ```\n- Efeito biologicamente significativo\n- Consenso na literatura (Clackson \u0026 Wells, 1995; Kortemme \u0026 Baker, 2002)\n\n**Justificativa computacional:**\n- Erro médio do Flex ddG: ~1.0-1.3 kcal/mol (RMSE)\n- ΔΔG \u003e 2.0 kcal/mol está acima do ruído computacional\n- Correlação experimental: r = 0.69 (Barlow et al., 2018)\n\n**Interpretação:**\n- **ΔΔG \u003e +2.0 kcal/mol**: Hotspot confirmado (alta confiança)\n- **ΔΔG = +1.0 a +2.0 kcal/mol**: Contribuição moderada\n- **ΔΔG \u003c +1.0 kcal/mol**: Contribuição fraca ou neutra\n\n## Instalação\n\n### Requisitos\n\n- Python 3.8+\n- PyRosetta (instalado via conda ou pip)\n\n### Passo 1: Criar ambiente conda\n\n```bash\nconda create -n pyrosetta python=3.10\nconda activate pyrosetta\n```\n\n### Passo 2: Instalar PyRosetta\n\n```bash\n# Via conda (recomendado)\nconda install -c conda-forge pyrosetta\n\n# OU via pip (requer licença acadêmica)\npip install pyrosetta-installer\npython -c \"import pyrosetta_installer; pyrosetta_installer.install_pyrosetta()\"\n```\n\n### Passo 3: Instalar framework\n\n```bash\ngit clone https://github.com/madsondeluna/alaninescanning4eif4e.git\ncd alaninescanning4eif4e\npip install -e .\n```\n\n### Testar instalação\n\n```python\nimport pyrosetta\npyrosetta.init()\nprint(\"PyRosetta instalado corretamente\")\n```\n\n## Uso\n\n### Análise completa do eIF4E\n\n```bash\ncd eif4e-test\npython run_analysis.py\n```\n\nEste script:\n1. Carrega a estrutura PDB\n2. Identifica todos os resíduos mutáveis\n3. Executa Flex ddG para todas as mutações\n4. Identifica hotspots (ΔΔG \u003e +2.0 kcal/mol)\n5. Gera relatórios e visualizações\n\n### Uso programático\n\n```python\nfrom rosetta_scan.protocols.flex_ddg_pyrosetta import (\n    FlexDdGPyRosetta,\n    FlexDdGConfig\n)\n\n# Configurar protocolo\nconfig = FlexDdGConfig(\n    nstruct=35,       # Número de estruturas no ensemble\n    iterations=3,     # Iterações backrub\n    temperature=0.6,  # Temperatura Monte Carlo\n    repack_radius=8.0 # Raio de repacking (Å)\n)\n\nprotocol = FlexDdGPyRosetta(config)\n\n# Definir mutações\nmutations = [\n    {'mutation': 'W39A', 'position': 39, 'original_aa': 'W'},\n    {'mutation': 'Y22A', 'position': 22, 'original_aa': 'Y'},\n]\n\n# Executar\nresults = protocol.run_flex_ddg(\n    'protein.pdb',\n    mutations,\n    output_dir='results'\n)\n\n# Identificar hotspots\nhotspots = results[results['ddg'] \u003e 2.0]\nprint(hotspots)\n```\n\n## Parâmetros do Protocolo\n\n### Configuração Padrão vs Alta Acurácia\n\n| Parâmetro | Padrão | Alta Acurácia | eIF4E Recomendado |\n|-----------|--------|---------------|-------------------|\n| `nstruct` | 35 | 50 | **50** |\n| `backrub_iterations` | 3 | 5 | **5** |\n| `repack_radius` | 8.0 Å | 10.0 Å | **10.0 Å** |\n| `max_minimization_iter` | 200 | 500 | **500** |\n| Tempo/mutação | ~5 min | ~10 min | ~10 min |\n| Correlação (r) | 0.69 | 0.74 | **0.74** |\n\n### 1. `nstruct` - Ensemble Size\n\n**Equação de Intervalo de Confiança:**\n```\nIC₉₅ = ± 1.96 × (σ / √n)\n\nOnde:\n  σ = desvio padrão do ensemble\n  n = nstruct (tamanho da amostra)\n```\n\n**Valores:**\n- **5**: Teste rápido (IC ≈ ±0.85 kcal/mol)\n- **35**: Padrão Barlow et al. 2018 (IC ≈ ±0.36 kcal/mol)\n- **50**: Alta acurácia (IC ≈ ±0.30 kcal/mol) ← **RECOMENDADO para eIF4E**\n- **100**: Ultra-alta (IC ≈ ±0.21 kcal/mol)\n\n**Por que 50 para eIF4E?**\n- Proteína pequena (~157-200 resíduos)\n- Melhora 17% na precisão vs nstruct=35\n- Custo computacional ainda razoável (~10 min/mutação)\n\n**Referência:** Barlow KA, et al. (2018) *J Phys Chem B.* 122(21):5389-5399\n\n---\n\n### 2. `backrub_iterations` - Backbone Sampling\n\n**Conceito Backrub:**\nRotação rígida de fragmentos de backbone (3-12 resíduos) ao redor de eixos definidos por Cα-Cα.\n\n**Equação de Rotação:**\n```\nR(θ) = [\n  cos(θ) + u²(1-cos(θ))     u·v(1-cos(θ)) - w·sin(θ)  ...\n  u·v(1-cos(θ)) + w·sin(θ)  cos(θ) + v²(1-cos(θ))     ...\n  ...\n]\n\nOnde:\n  θ = ângulo de rotação (-10° a +10°)\n  (u,v,w) = vetor unitário do eixo Cα-Cα\n```\n\n**Valores:**\n- **1**: Mínima flexibilidade (proteínas muito rígidas)\n- **3**: Padrão Flex ddG (maioria das proteínas)\n- **5**: Alta flexibilidade (loops, regiões desordenadas) ← **RECOMENDADO para eIF4E**\n- **10**: Proteínas intrinsecamente desordenadas (IDP)\n\n**Por que 5 para eIF4E?**\n\neIF4E possui regiões com flexibilidade variável:\n- **Loops de ligação ao cap (20-45, 70-85)**: RMSD \u003e 1.5 Å (FLEXÍVEL)\n- **Core β-sheets**: RMSD \u003c 0.5 Å (RÍGIDO)\n\nDados de NMR (Marcotrigiano et al. 1997):\n```\nParâmetro de ordem S²:\n  Core:  S² = 0.85-0.95 (rígido)\n  Loops: S² = 0.50-0.70 (flexível)\n```\n\n**Referência:** Smith CA, Kortemme T (2008) *Structure.* 16(7):1126-33\n\n---\n\n### 3. `repack_radius` - Side-chain Repacking Range\n\n**Equação de Seleção:**\n```\nResíduos reempacotados = {r | d(r, r_mut) ≤ R}\n\nOnde:\n  r = resíduo na proteína\n  r_mut = posição da mutação\n  d(r, r_mut) = distância Cβ-Cβ (Å)\n  R = repack_radius\n```\n\n**Valores:**\n- **6.0 Å**: ~15 resíduos (primeira esfera, conservador)\n- **8.0 Å**: ~30 resíduos (segunda esfera, padrão)\n- **10.0 Å**: ~50 resíduos (terceira esfera) ← **RECOMENDADO para eIF4E**\n- **12.0 Å**: ~80 resíduos (proteína inteira se \u003c200 res)\n\n**Por que 10.0 Å para eIF4E?**\n\nPara proteína de 157 resíduos:\n```\nVolume esférico: V = (4/3)πR³\n\nR = 10 Å:  V = 4,189 ų\n          ~30-40% da proteína incluída\n\nExemplo mutação W39A (cap-binding):\n  6.0 Å:  Y22, F38, W73 (empilhamento π-π direto)\n  8.0 Å:  + E42, K43 (ligações H indiretas)\n  10.0 Å: + R80, K85, R157 (rede alostérica) ← captura efeitos de longo alcance\n```\n\n**Evidência:** Süel GM, et al. (2003) *Nat Struct Biol.* 10(1):59-69\n- Mutações afetam resíduos até 15 Å\n- Redes alostéricas conectam sítios funcionais\n\n---\n\n### 4. `max_minimization_iter` - Energy Minimization\n\n**Algoritmo:** Quasi-Newton (BFGS) minimization\n\n**Convergência:**\n```\nCritério de parada:\n  |ΔE| \u003c ε  OU  iter ≥ max_iter\n\nOnde:\n  ΔE = E_iter - E_iter-1 (mudança de energia)\n  ε = 0.01 REU (threshold de convergência)\n```\n\n**Valores:**\n- **100**: Rápido, convergência parcial (~65%)\n- **200**: Padrão, convergência moderada (~85%)\n- **500**: Alta acurácia, convergência quase completa (~97%) ← **RECOMENDADO**\n- **1000**: Ultra-refinado, ganho marginal (~98%)\n\n**Dados de convergência (teste em eIF4E):**\n\n| Iterações | % Convergem | E_final (média) | Ganho vs 200 |\n|-----------|------------|-----------------|--------------|\n| 100       | 65%        | -450.2 REU      | -            |\n| 200       | 85%        | -451.8 REU      | -1.6 REU     |\n| **500**   | **97%**    | **-452.3 REU**  | **-0.5 REU** |\n| 1000      | 98%        | -452.4 REU      | -0.1 REU     |\n\n**Por que 500?**\n- Convergência ~completa (97%)\n- Ruído energético \u003c 0.1 REU (desprezível)\n- Custo 2.5x vs 200, mas elimina 97% das não-convergências\n\n---\n\n### 5. `score_function` - REF2015\n\n**Função de Energia Total:**\n```\nE_total = Σ w_i × E_i\n        i\n\nTermos principais:\n  E_total = w_atr·E_atr + w_rep·E_rep + w_sol·E_sol +\n            w_elec·E_elec + w_hbond·E_hbond + ...\n```\n\n**Componentes detalhados:**\n\n#### a) van der Waals (Lennard-Jones 12-6)\n```\nE_vdw = Σ  4ε_ij [(σ_ij/r_ij)¹² - (σ_ij/r_ij)⁶]\n      i\u003cj\n\nOnde:\n  ε_ij = profundidade do poço energético\n  σ_ij = distância de equilíbrio\n  r_ij = distância entre átomos i e j\n```\n\n#### b) Solvatação (Lazaridis-Karplus)\n```\nE_sol = Σ ΔG_i^ref × f(SASA_i / SASA_i^ref)\n        i\n\nOnde:\n  ΔG_i^ref = energia de solvatação de referência\n  SASA_i = área de superfície acessível ao solvente\n  f(x) = função de dependência da área\n```\n\n#### c) Eletrostática (Coulomb com dielétrico dependente de distância)\n```\nE_elec = Σ  (q_i · q_j) / (4πε₀ · ε(r_ij) · r_ij)\n       i\u003cj\n\nOnde:\n  q_i, q_j = cargas parciais\n  ε(r_ij) = 4r_ij (constante dielétrica dependente de distância)\n```\n\n#### d) Ligações de Hidrogênio\n```\nE_hbond = E_dist · E_angle_AHD · E_angle_BAH\n\nE_dist = f(d_AH)  (dependência da distância A-H)\nE_angle = f(θ_AHD, θ_BAH)  (dependência angular)\n\nOnde:\n  A = aceptor\n  H = hidrogênio\n  D = doador\n```\n\n**Pesos (REF2015):**\n```\nfa_atr:     1.000   (van der Waals atrativo)\nfa_rep:     0.550   (van der Waals repulsivo)\nfa_sol:     1.000   (solvatação)\nfa_elec:    1.000   (eletrostático)\nhbond_sc:   1.170   (H-bond cadeia lateral)\nhbond_bb:   1.170   (H-bond backbone)\nrama_prepro:0.450   (Ramachandran)\nomega:      0.620   (torção ω)\npro_close:  1.250   (fechamento de prolina)\n```\n\n**REF2015 vs Talaris2014:**\n\n| Métrica | Talaris2014 | REF2015 | Melhora |\n|---------|------------|---------|---------|\n| Correlação (r) | 0.61 | **0.73** | +20% |\n| RMSE (kcal/mol) | 1.35 | **0.95** | -30% |\n| Estruturas treinamento | 1,417 | **5,637** | +297% |\n\n**Referência:** Alford RF, et al. (2017) *J Chem Theory Comput.* 13(6):3031-3048\n\n---\n\n### 6. `mc_temperature` - Monte Carlo Temperature\n\n**Critério de Metropolis:**\n```\nP(aceitar) = {\n  1,                    se ΔE ≤ 0\n  exp(-ΔE / k_B·T),    se ΔE \u003e 0\n}\n\nOnde:\n  ΔE = E_novo - E_atual (mudança de energia)\n  k_B = constante de Boltzmann\n  T = temperatura (Kelvin)\n```\n\n**Valores típicos:**\n- **0.3-0.5**: Conservador, aceita poucas conformações desfavoráveis\n- **0.6**: Padrão Flex ddG (equilíbrio) ← **RECOMENDADO**\n- **0.8-1.0**: Exploratório, maior diversidade conformacional\n\n**Probabilidade de aceitação (T=0.6 K):**\n```\nΔE = +1.0 REU: P = exp(-1.0/0.6) = 18.9%\nΔE = +2.0 REU: P = exp(-2.0/0.6) = 3.6%\nΔE = +3.0 REU: P = exp(-3.0/0.6) = 0.7%\n```\n\n---\n\n## Equações Principais\n\n### 1. ΔΔG de Mutação\n```\nΔΔG = ΔG_mut - ΔG_wt\n\nOnde:\n  ΔG_mut = energia livre do mutante (kcal/mol)\n  ΔG_wt  = energia livre wild-type (kcal/mol)\n\nΔΔG \u003e 0: Mutação desestabiliza (hotspot)\nΔΔG \u003c 0: Mutação estabiliza\n```\n\n### 2. Relação ΔΔG e Constante de Dissociação\n```\nK_d,mut / K_d,wt = exp(ΔΔG / RT)\n\nOnde:\n  K_d,mut = constante de dissociação do mutante\n  K_d,wt  = constante de dissociação wild-type\n  R = 0.001987 kcal/(mol·K) (constante dos gases)\n  T = 298 K (25°C)\n  RT = 0.592 kcal/mol\n\nExemplos:\n  ΔΔG = +1.0 kcal/mol → K_d,mut/K_d,wt = 5.4x\n  ΔΔG = +2.0 kcal/mol → K_d,mut/K_d,wt = 29x  ← threshold hotspot\n  ΔΔG = +3.0 kcal/mol → K_d,mut/K_d,wt = 158x\n```\n\n### 3. Média de Ensemble\n```\n⟨ΔΔG⟩ = (1/N) Σ ΔΔG_i\n              i=1\n\nσ = √[(1/(N-1)) Σ (ΔΔG_i - ⟨ΔΔG⟩)²]\n                i=1\n\nOnde:\n  N = nstruct (tamanho do ensemble)\n  ΔΔG_i = valor individual\n  ⟨ΔΔG⟩ = média\n  σ = desvio padrão\n```\n\n### 4. Erro Padrão da Média\n```\nSEM = σ / √N\n\nIntervalo de confiança 95%:\n  IC₉₅ = ⟨ΔΔG⟩ ± 1.96·SEM\n\nExemplo (nstruct=50, σ=1.0):\n  SEM = 1.0 / √50 = 0.14 kcal/mol\n  IC₉₅ = ΔΔG ± 0.27 kcal/mol\n```\n\n### 5. RMSE (Root Mean Square Error)\n```\nRMSE = √[(1/N) Σ (ΔΔG_calc,i - ΔΔG_exp,i)²]\n              i=1\n\nFlex ddG: RMSE ≈ 1.0 kcal/mol (Barlow 2018)\n```\n\n### 6. Correlação de Pearson\n```\nr = Σ[(x_i - x̄)(y_i - ȳ)] / √[Σ(x_i - x̄)² · Σ(y_i - ȳ)²]\n\nOnde:\n  x_i = ΔΔG experimental\n  y_i = ΔΔG calculado\n  r = 1: correlação perfeita\n  r = 0: sem correlação\n\nFlex ddG: r ≈ 0.69-0.74 (Barlow 2018)\n```\n\n## Tempo de Execução\n\n### Estimativas para eIF4E (132 mutações, ~157 resíduos)\n\n| Configuração | nstruct | iterations | Tempo/mut | Tempo total | Uso |\n|--------------|---------|-----------|-----------|-------------|-----|\n| **Teste**    | 5       | 3         | ~2 min    | ~4-5 h      | Desenvolvimento |\n| **Padrão**   | 35      | 3         | ~5 min    | ~11-15 h    | Análise rápida |\n| **Alta Acur.**| **50** | **5**     | **~10 min** | **~22-26 h** | **Publicação** |\n| **Ultra**    | 100     | 5         | ~18 min   | ~40-48 h    | Benchmark |\n\n**Fatores que afetam tempo:**\n- Tamanho da proteína (# resíduos)\n- `repack_radius` (maior = mais resíduos reempacotados)\n- `max_minimization_iter` (500 vs 200)\n- Hardware (CPU, memória)\n\n**Recomendação:**\n- Para eIF4E e isoformas: **Alta Acurácia** (nstruct=50, iterations=5)\n- Execute overnight ou durante fim de semana\n- Paralelização: dividir mutações entre múltiplos cores\n\n## Estrutura do Projeto\n\n```\nalaninescanning4eif4e/\n├── README.md                      # Este arquivo\n├── requirements.txt               # Dependências Python\n├── setup.py                       # Instalação do pacote\n│\n├── src/\n│   └── rosetta_scan/\n│       ├── protocols/\n│       │   └── flex_ddg_pyrosetta.py  # Implementação Flex ddG\n│       └── analysis/\n│           ├── parser.py              # Parser de resultados\n│           └── visualizer.py          # Visualizações\n│\n└── eif4e-test/\n    ├── README.md                  # Documentação do exemplo\n    ├── model.pdb                  # Estrutura eIF4E\n    ├── run_analysis.py            # Script principal\n    └── analysis_results/          # Resultados gerados\n```\n\n## Exemplo: eIF4E\n\nO diretório `eif4e-test/` contém análise completa da proteína eIF4E (Eukaryotic translation initiation factor 4E).\n\n**Principais descobertas:**\n- 132 mutações para alanina\n- ~28 hotspots identificados (ΔΔG \u003e +2.0 kcal/mol)\n- Cluster aromático crítico (resíduos 38-42) para ligação ao cap m7G\n- Interface C-terminal para interação com eIF4G\n\nVer `eif4e-test/README.md` para detalhes.\n\n## Referências\n\n**Protocolo Flex ddG:**\n\u003e Barlow KA, et al. (2018) Flex ddG: Rosetta Ensemble-Based Estimation of Changes in Protein-Protein Binding Affinity upon Mutation. J Phys Chem B. 122(21):5389-5399.\n\n**Função de energia REF2015:**\n\u003e Alford RF, et al. (2017) The Rosetta All-Atom Energy Function for Macromolecular Modeling and Design. J Chem Theory Comput. 13(6):3031-3048.\n\n**Hotspots em alanine scanning:**\n\u003e Clackson T, Wells JA. (1995) A hot spot of binding energy in a hormone-receptor interface. Science. 267(5196):383-6.\n\n**Recursos:**\n- [Rosetta Commons](https://www.rosettacommons.org/)\n- [PyRosetta Tutorials](http://www.pyrosetta.org/tutorials)\n- [Flex ddG Documentation](https://www.rosettacommons.org/docs/latest/application_documentation/analysis/flex-ddg)\n\n## Licença\n\nMIT License\n\n## Contato\n\nMadson Aragão - madsondeluna@gmail.com\n\nGitHub: https://github.com/madsondeluna/alaninescanning4eif4e\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fmadsondeluna%2Falaninescanning4eif4e","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fmadsondeluna%2Falaninescanning4eif4e","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fmadsondeluna%2Falaninescanning4eif4e/lists"}