Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/20467
Tipo: | Trabalho de conclusão de graduação |
Título: | Monitoramento em linha baseado em AI e espectroscopia da concentração enantiomérica de praziquantel |
Autor(es)/Inventor(es): | Santos, Marlon Conceição dos |
Orientador: | Souza Júnior, Maurício Bezerra de |
Coorientador: | Secchi, Argimiro Resende |
Coorientador: | Cunha, Felipe Coelho |
Resumo: | 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. |
Palavras-chave: | Esquistossomose Redes neuronais Doenças negligenciadas Medicamentos Leito móvel simulado (LMS) |
Assunto CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::TECNOLOGIA QUIMICA |
Unidade produtora: | Escola de Química |
Editora: | Universidade Federal do Rio de Janeiro |
Data de publicação: | 19-Dez-2022 |
País de publicação: | Brasil |
Idioma da publicação: | por |
Tipo de acesso: | Acesso Aberto |
Aparece nas coleções: | Engenharia Química |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
MCSantos.pdf | 982.84 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.