Monitoramento em linha baseado em AI e espectroscopia da concentração enantiomérica de praziquantel

• Autor(a) principal: Santos, Marlon Conceição dos
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRJ
• Texto Completo: http://hdl.handle.net/11422/20467
• topic: Esquistossomose; Redes neuronais; Doenças negligenciadas; Medicamentos; Leito móvel simulado (LMS); CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA

A esquistossomose é uma doença tropical negligenciada, cujo tratamento é feito por meio do medicamento praziquantel. O tratamento para crianças é feito pelo medicamento em forma líquida, que apresenta amargor, devido à presença do enantiômero dextrógiro D-PZQ (ingrediente inativo). Assim, durante a formulação é necessário um enriquecimento do componente levógiro da mistura racêmica, ou seja, o L-PZQ, a partir da separação de tais componentes. O Leito Móvel Simulado (LMS) pode ser utilizado para a separação de enantiômeros. Para o controle automático do LMS, é necessário o monitoramento das concentrações dos enantiômeros. Em estudos prévios na Escola de Química da UFRJ, foi construído um LMS, o qual possui um detector quiral, que mede sinais de UV e dicroísmo circular simultaneamente. Neste trabalho, são desenvolvidos modelos matemáticos baseados em aprendizado de máquina para correlacionar os sinais de UV e dicroísmo circular com as concentrações de cada enantiômero no LMS. Optou-se pela utilização das redes neuronais devido à relação não linear previamente observada entre as concentrações e medições. O desenvolvimento da rede foi feito em Python, utilizando o MLPRegressor, um estimador que se baseia nas redes do tipo “Perceptron Multi-camada”. Devido à ampla gama de possibilidades para o projeto da rede, foi necessário resolver um problema de otimização, buscando o melhor conjunto de hiperparâmetros para a predição da concentração dos enantiômeros. Para isso, foi utilizado o software Optuna. Como forma de validação foram feitas comparações com algoritmo “Random Forest”, diferentes abordagens de pré-processamento, usando como critério de desempenho o coeficiente de determinação (R²) e a abordagem polinomial desenvolvida no trabalho de CUNHA et al (2020). Com base em todos os dados experimentais (57 pontos) e validação (18 pontos), as redes neuronais apresentaram um R² de 0,82 e 0,83. No caso do “Random Forest”, o coeficiente foi de 0,82 e 0,66 e, no caso da abordagem polinomial, 0,54 e 0,59. Dessa forma, os resultados habilitam o uso das redes para monitorar o processo, pela boa capacidade preditiva verificada, a qual pode ainda ser melhorada com a disponibilidade de mais dados.