Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas

• Ano de defesa: 2024
• Autor(a) principal: Santos, Christiano dos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise multivariada; Aprendizado de máquina; Chemometrics; Density functional; dft; Machine learning; Multivariate analysis; New psychoactive substances; Novas substâncias psicoativas; nps; Química teórica; Quimiometria; Theoretical chemistry
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59138/tde-24042024-095303/

O consumo de drogas acompanha a evolução da humanidade e é considerado um movimento histórico. A política de guerra às drogas fez com que o consumo de drogas fosse reprimido e criou esforços internacionais no que diz respeito ao combate ao tráfico. Esse movimento acarretou o surgimento das Novas Substâncias Psicoativas (New Psychoactive Substances, NPS). Esses compostos correspondem a modificações nas estruturas químicas das substâncias originalmente proibidas com o intuito de criar alternativas ao consumo e à proibição legislativa. Em termos forenses, o aparecimento das NPS levantou questionamentos sobre métodos de análise para a identificação e caracterização dessas substâncias. A velocidade de surgimento dessas novas drogas representa também um desafio para os métodos tradicionais de análise. Questões regulatórias também podem influenciar no desenvolvimento de métodos experimentais, uma vez que as substâncias são detectadas por meio de operações policiais. O entendimento sobre o comportamento dessas substâncias é muito importante para auxiliar em procedimentos de investigação e controle do tráfico. Neste trabalho utilizamos métodos computacionais da teoria do funcional de densidade (DFT) na determinação de dados espectroscópicos e efeitos de solvente para diferentes grupos de compostos. O desempenho dos métodos in silico foi verificado por meio de avaliações utilizando estatística multivariada. Neste caso os métodos de aprendizado de máquina de classificação não supervisionada e supervisionada foram aplicados para identificar a sensibilidade de cada método em relação a propriedades estruturais e efeitos de solvente, averiguando-se a eficácia dos métodos computacionais utilizados. Os algoritmos de classificação apresentaram ótimo desempenho na classificação dos diferentes grupos de NPS, e foi demonstrada a não influência por tipos de funcionais utilizados.