Modelos de aprendizado profundo para avaliação de toxicidade aguda de compostos químicos em aves

Página do item simplificado
dc.contributor.advisor1Neves, Bruno Junior
dc.contributor.referee1Neves, Bruno Junior
dc.contributor.referee1Pereira, Eufrásia de Sousa
dc.contributor.referee1Costa, Vinicius Alexandre Fiaia
dc.creatorRamos, Gabrielle Santos
dc.date.accessioned2023-01-09T13:59:09Z
dc.date.available2023-01-09T13:59:09Z
dc.date.issued2022-08-24
dc.description.abstractThe modernization of agriculture has provided economic growth as a result of increased productivity. However, this sector has the intense use of pesticides as a practice, which presents a potential risk to the environment and organisms that provide ecological services such as avian species. Considering that birds are seed-dispersing organisms, in vivo acute toxicity studies have been widely used as regulatory criteria for the registration of new pesticides. However, these studies are usually time consuming, expensive and involve ethical issues. Therefore, this work aimed to develop Quantitative Structure Activity Relationship (QSAR) models, based on machine learning, to predict the acute toxicity of chemical compounds in several bird species. Initially, the compilation, integration and preparation of the largest datasets of compounds with data on experimental toxicological properties were performed for the following avian species: A. platyrhynchos, C.virginianus, C. japonica and P. colchicus. Then, a chemical space analysis showed that the prepared datasets share chemical information with each other, and the correlation of toxicological data between species proved to be moderate (with 'r' around 0.68). At the end of this process, QSAR models for regression tasks were generated using Deep Learning methods. Among them, a multitask model based on Feed-Forward Neural Networks (FFNN), capable of predicting the acute toxicity (pDL50) of several bird species simultaneously, was the most predictive, obtaining r values between 0.59 – 0.80 for the test set. The results demonstrate that the multitasking model was able to promote inductive transfer of learning between tasks, that is, between bioassays of each species. Therefore, the generated model represents a new alternative method to the use of animals for the evaluation of acute avian toxicity.pt_BR
dc.description.resumoA modernização da agricultura tem proporcionado crescimento econômico em decorrência do aumento na produtividade. Todavia este setor tem como prática o uso intenso de agrotóxicos, que apresenta risco potencial ao meio ambiente e organismos prestadores de serviços ecológicos como as aves. Considerando que as aves são organismos dispersores de sementes, estudos de toxicidade aguda in vivo têm sido amplamente utilizados como critério regulatório para o registro de novos agrotóxicos. Entretanto, estes estudos geralmente demandam muito tempo, apresentam alto custo e envolvem questões éticas. Diante disso, este trabalho teve como objetivo desenvolver modelos de Relação Quantitativa entre Estrutura e Atividade - Quantitative Structure Activity Relationship (QSAR), baseados em aprendizado de máquina, para predizer a toxicidade aguda de compostos químicos em diversas espécies de aves. Inicialmente foi realizada a compilação, integração e preparação dos maiores conjuntos de dados de compostos com dados de propriedades toxicológicas experimentais para as seguintes espécies de aves: A. platyrhynchos, C.virginianus, C. japônica e P. colchicus. Em seguida, uma análise de espaço químico demonstrou que os conjuntos de dados preparados compartilham informação química entre si, sendo que a correlação dos dados toxicológicos entre as espécies demonstrou-se moderada (sendo ‘r’ em torno de 0,68). Ao final deste processo, modelos de QSAR para tarefas de regressão foram gerados utilizando métodos de Deep Learning. Entre eles, um modelo multitask baseado em redes neurais do tipo Feed-Forward Neural Networks (FFNN) ,capaz de predizer a toxicidade aguda (pDL50) de várias espécies de ave de forma simultânea, foi o mais preditivo, obteve-se valores de r entre 0,59 – 0,80 para o conjunto teste. Os resultados demonstram que o modelo multitarefa foi capaz de promover transferência indutiva de aprendizado entre as tasks, ou seja, entre os bioensaios de cada espécie. Portanto,o modelo gerado representa um novo método alternativo ao uso de animais para avaliação de toxicidade aguda em aves.pt_BR
dc.identifier.citationRAMOS, Gabrielle Santos. Modelos de aprendizado profundo para avaliação de toxicidade aguda de compostos químicos em aves. 2022.33 f. Trabalho de Conclusão de Curso (Bacharelado em Farmácia) - Faculdade de Farmácia, Universidade Federal de Goiás, Goiânia, 2022.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/handle/ri/21705
dc.language.isoporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseFarmácia (RG)pt_BR
dc.publisher.departmentFaculdade de Farmácia - FF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectEcotoxicologiapt_BR
dc.subjectMultitaskpt_BR
dc.subjectQSARpt_BR
dc.subjectEcotoxicologypt_BR
dc.subjectMultitaskpt_BR
dc.subjectQSARpt_BR
dc.titleModelos de aprendizado profundo para avaliação de toxicidade aguda de compostos químicos em avespt_BR
dc.title.alternativeDeep learning models for the avaluation of acute toxicity of chemical compounds in avianpt_BR
dc.typeTCCpt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
TCCG - Farmácia - Gabrielle Santos Ramos - 2022.pdf
Tamanho:
1.09 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

FF - Trabalhos de Conclusão de Curso