Desenvolvimento de ontologias para aperfeiçoamento e interpretação de modelos de regressão aplicados a Estudos de Relações Quantitativas Estrutura-Atividade

• Processo: 18/12374-6
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 04 de março de 2019
• Data de Término da vigência: 03 de março de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Patrícia Rufino Oliveira
• Beneficiário: Patrícia Rufino Oliveira
• Pesquisador Anfitrião: James Geller
• Instituição Sede: Escola de Artes, Ciências e Humanidades (EACH). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: New Jersey Institute of Technology (NJIT), Estados Unidos
• Assunto(s): Ontologia (ciência da computação) Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Descoberta de Medicamentos | Modelos de Regressão | ontologias | quimioinformática | transferência de aprendizagem | Inteligência Artificial

Resumo

Os estudos quantitativos de relação estrutura-atividade (QSAR) são cruciais para o processo de descoberta de medicamentos, uma vez que essas análises podem ser utilizadas principalmente para estimar valores que indicam a atividade biológica de novos compostos químicos. No entanto, esses estudos são muito caros, uma vez que a transformação de descritores químicos em conjuntos de dados numéricos não é uma tarefa trivial. Em tais situações, seria desejável utilizar informações de outros conjuntos de dados químicos existentes para melhorar o desempenho de um modelo QSAR relacionado, construído a partir de um conjunto de dados de treinamento muito pequeno. Para tratar esse problema, técnicas de transferência de aprendizagem podem ser aplicadas, reduzindo os esforços dos pesquisadores e o custo do processo para gerar novos conjuntos de descritores químicos. O desenvolvimento de tais técnicas foi motivado principalmente pelo fato de que as pessoas podem aplicar os conhecimentos adquiridos anteriormente para resolver novos problemas mais rapidamente e com melhores soluções.Vários métodos de aprendizagem de máquina têm sido aplicados com sucesso na construção de modelos QSAR, embora o uso de tais abordagens seja criticamente dependente da disponibilidade de conjuntos de dados suficientemente grandes para ser utilizados na fase de treinamento e de métodos que permitam a interpretação dos resultados obtidos. Consequentemente, acredita-se que a proposta de estudos que aliem o poder de predição e generalização dos métodos de aprendizagem de máquina ao conhecimento extraído de ontologias biológicas e químicas podem resultar em contribuições importantes para as pesquisas nas áreas de inteligência artificial e química medicinal.Este projeto de pesquisa objetiva o desenvolvimento e a aplicação de dados ontológicos para guiar a seleção de conjuntos de dados adequados para a transferência de aprendizagem de um modelo de QSAR para outro modelo relacionado. Além disso, um outro objetivo importante refere-se à utilização dos dados ontológicos para explorar as relações molécula-alvo estimadas pelos modelos QSAR construídos, a fim de compreender como as modificações nas características estruturais dos compostos induzem sua atividade biológica. Combinando componentes químicos e biológicos e suas inter-relações em uma ontologia integrada para estudos QSAR, o projeto contribuirá com uma formalização de conhecimento mais holística e padronizada do processo de descoberta de medicamentos. Espera-se ainda que os dados ontológicos resultantes possam ser utilizados para guiar a seleção de conjuntos de dados de origem em aplicações de transferência aprendizagem entre modelos QSAR e para interpretar, de forma geral, resultados preditivos obtidos por métodos de aprendizagem de máquina na área de química medicinal.