Modelos de aprendizado profundo para avaliação de toxicidade aguda de compostos químicos em aves
dc.contributor.advisor1 | Neves, Bruno Junior | |
dc.contributor.referee1 | Neves, Bruno Junior | |
dc.contributor.referee1 | Pereira, Eufrásia de Sousa | |
dc.contributor.referee1 | Costa, Vinicius Alexandre Fiaia | |
dc.creator | Ramos, Gabrielle Santos | |
dc.date.accessioned | 2023-01-09T13:59:09Z | |
dc.date.available | 2023-01-09T13:59:09Z | |
dc.date.issued | 2022-08-24 | |
dc.description.abstract | The 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.resumo | A 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.citation | RAMOS, 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.uri | http://repositorio.bc.ufg.br/handle/ri/21705 | |
dc.language.iso | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.course | Farmácia (RG) | pt_BR |
dc.publisher.department | Faculdade de Farmácia - FF (RG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Ecotoxicologia | pt_BR |
dc.subject | Multitask | pt_BR |
dc.subject | QSAR | pt_BR |
dc.subject | Ecotoxicology | pt_BR |
dc.subject | Multitask | pt_BR |
dc.subject | QSAR | pt_BR |
dc.title | Modelos de aprendizado profundo para avaliação de toxicidade aguda de compostos químicos em aves | pt_BR |
dc.title.alternative | Deep learning models for the avaluation of acute toxicity of chemical compounds in avian | pt_BR |
dc.type | TCC | pt_BR |
Arquivos
Pacote Original
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:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: