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

Santos, Marlon Conceição dos

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/20467

Type:	Trabalho de conclusão de graduação
Title:	Monitoramento em linha baseado em AI e espectroscopia da concentração enantiomérica de praziquantel
Author(s)/Inventor(s):	Santos, Marlon Conceição dos
Advisor:	Souza Júnior, Maurício Bezerra de
Co-advisor:	Secchi, Argimiro Resende
Co-advisor:	Cunha, Felipe Coelho
Abstract:	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.
Keywords:	Esquistossomose Redes neuronais Doenças negligenciadas Medicamentos Leito móvel simulado (LMS)
Subject CNPq:	CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA
Production unit:	Escola de Química
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	19-Dec-2022
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Appears in Collections:	Engenharia Química

Files in This Item:

File	Description	Size	Format
MCSantos.pdf		982.84 kB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository