Pular para o conteúdo
Even3

MinicursoEducação

Minicurso 1: Construção e validação de modelos de QSAR

Gravado no evento IV Simpósio Nacional em Ciências Farmacêuticas – SINCIFAR · 2 h 45 min de gravação

Sobre o conteúdo

O vídeo apresenta a continuação do "Minicurso 1: Construção e validação de modelos de QSAR", ministrado durante o IV Simpósio Nacional em Ciências Farmacêuticas – SINCIFAR. Inicialmente, o palestrante discute as diferenças entre modelos lineares e não lineares, ressaltando que, embora redes neurais e algoritmos de aprendizado de máquina como Random Forest ofereçam previsões acuradas, os modelos lineares se destacam pela facilidade de interpretação físico-química e mecanística a partir dos coeficientes da equação de regressão.

O que é abordado

  1. Modelos lineares versus não lineares em QSAR
  2. Pré-processamento: média centrada e autoescalamento
  3. Parâmetros estatísticos e prevenção de overfitting
  4. Algoritmo OPS (Ordered Predictors Selection)
  5. Técnicas de validação: Leave-N-Out e Y-randomization
  6. Detecção de outliers e validação externa
  7. Intervalo
  8. Apresentação do software QSAR-modeling
  9. Prática guiada no QSAR-modeling (Java)
  10. Novos recursos no QSAR-modeling em Python (GA e validação externa)
  11. Dúvidas, encerramento e contatos

Dúvidas que o conteúdo responde

Qual a principal vantagem dos modelos lineares em relação aos métodos não lineares em QSAR?

Os modelos lineares permitem interpretar diretamente a contribuição de cada descritor molecular para a atividade biológica através dos coeficientes da equação de regressão, facilitando a compreensão do mecanismo de ação.

Por que o autoescalamento (auto-scaling) é indispensável em estudos de QSAR 2D?

Porque descritores moleculares distintos (como energias orbitais HOMO/LUMO, cargas atômicas e área superficial) possuem faixas de valores e ordens de grandeza muito heterogêneas. O autoescalamento traz todos os descritores para média zero e desvio padrão unitário, impedindo que grandezas numericamente muito grandes masquem a importância de variáveis com valores absolutos pequenos.

Qual é a função do teste de randomização de Y (Y-randomization)?

Consiste em permutar aleatoriamente os valores experimentais da atividade biológica entre as moléculas e reconstruir o modelo. Espera-se que todos os modelos obtidos apresentem desempenho ruim (Q² e R² baixos); se algum modelo com atividades trocadas apresentar bom ajuste, indica-se risco de correlação fortuita (ao acaso).

Quando é aceitável remover um outlier do conjunto de calibração?

Deve-se evitar ao máximo a remoção de amostras em QSAR devido ao tamanho tipicamente reduzido dos conjuntos de dados. Caso seja inevitável, a exclusão precisa ser rigorosamente justificada por razões químicas ou incongruências comprovadas na metodologia de medição experimental da atividade biológica.

Assuntos

  • QSAR
  • Quimiometria
  • Modelagem Molecular
  • Algoritmo OPS
  • Validação Cruzada
  • Autoescalamento
  • Machine Learning
  • SINCIFAR

Palestrantes

  • João Paulo Ataide Martins

    Ministrante

    Possui graduação em Bacharelado em Ciência da Computação pela Universidade Federal do Piauí (2001), mestrado em Química pela Universidade Federal do Piauí (2005) e doutorado em Química pela Universidade Estadual de Campinas (2013). Atualmente é professor da Universidade Federal de Minas Gerais. Tem experiência na área de Ciência da Computação, Desenvolvimento de Sistemas, Linguagens de Programação, Química teórica, Quimiometria, Modelagem Molecular, Docking e Relações Quantitativas Estrutura-Atividade (QSAR).

Outros conteúdos deste evento

Gravados no evento IV Simpósio Nacional em Ciências Farmacêuticas – SINCIFAR