Interpretando dados de química quântica através de descritores AtoMF e métodos de relações quantitativas estrutura-atividade

• Ano de defesa: 2025
• Autor(a) principal: Mucelini, Johnatan
• 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: aprendizado de máquina; AtoMF; machine learning; QSAR; quantum chemistry; química quântica
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/75/75134/tde-26112025-152937/

O crescimento exponencial de dados de química quântica e os avanços em capacidade computacional impulsionam o desenvolvimento de métodos de análise estatisticamente embasados, capazes de superar as limitações dos métodos tradicionais, como subjetividade e falta de reprodutibilidade. Nesta tese, propõe-se a criação de métodos baseados em descritores AtoMF (Atomic to Molecular Featurization), desenvolvidos para representar propriedades atômicas em moleculares, empregando técnicas do campo da relação quantitativa estrutura-atividade (QSAR) para identificar tendências relevantes em nanoclusters. Modelos de regressão linear parcial (PLS) e ordinária (OLS), bem como redes neurais artificiais, foram testados, com seleção de descritores realizada tanto por filtros estatísticos quanto por algoritmos genéticos (OLS+GA). A confiabilidade dos coeficientes interpretados foi verificada por meio de análise de bootstrap. Apesar da multicolinearidade observada nos descritores AtoMF, foi possível estabelecer relações matemáticas robustas e interpretações químicas significativas. Os modelos indicaram tendências importantes dos materiais, corroborando conhecimentos prévios com maior evidência estatística. Os resultados mostraram que os modelos PLS apresentaram melhor desempenho para dois conjuntos de dados, enquanto o OLS+GA foi mais eficaz em outro, destacando a relevância de múltiplas abordagens metodológicas. Redes neurais artificiais também foram testadas, mas não apresentaram bom desempenho preditivo. Foram observadas limitações, como superajuste em alguns modelos, inconsistência nos resultados das redes neurais e dificuldades de interpretabilidade em determinados descritores AtoMFs. O conjunto de ferramentas empregado permitiu investigar, de forma objetiva, a relação entre propriedades atômicas e propriedades-alvo dos materiais, mostrando-se promissor para otimizar a descoberta de novos materiais e aprofundar a compreensão de propriedades em função das estruturas em nível atômico. As metodologias desenvolvidas estão sendo disponibilizadas como pacotes de código aberto, visando facilitar o acesso e a reprodutibilidade dos resultados, incentivando seu uso em futuras investigações em química computacional e ciência dos materiais. São também apresentadas sugestões para estudos futuros que explorem e expandam o uso dos descritores AtoMF.