Cientistas da Rússia, A Estônia e o Reino Unido criaram um novo método para prever o fator de bioconcentração (BCF) de moléculas orgânicas. Aproveitando os modelos clássicos de interações físico-químicas entre o solvente e o soluto e métodos avançados de aprendizado de máquina, a nova abordagem torna possível prever propriedades complexas de uma substância com base em um conjunto mínimo de dados de entrada. Os resultados do estudo foram publicados em Journal of Physics:Condensed Matter .
Uma das características mais importantes das substâncias orgânicas, BCF representa quanto de uma substância está concentrado em um tecido em relação a quanto dessa substância existe no ambiente em condições de equilíbrio. O BCF é amplamente utilizado na avaliação da segurança de vários compostos químicos e pode ser medido na prática. Por exemplo, você pode colocar um produto químico de teste no tanque de peixes, espere até que o equilíbrio seja alcançado, e então medir sua concentração nos peixes e na água. Mas e se você quiser estimar o BCF apenas com base em cálculos?
Uma maneira de fazer isso é gerar um conjunto de parâmetros de moléculas (descritores) e construir um modelo matemático com base nessas entradas. O modelo pode ser bastante preciso, mas pode ser difícil de interpretar devido a um grande número de parâmetros. E pior ainda, o modelo pode não funcionar corretamente para compostos que diferem fortemente daqueles no conjunto de treinamento.
O segundo método é baseado na teoria molecular dos líquidos que descreve o comportamento das substâncias em soluções. Contudo, a bioconcentração é um parâmetro complexo que depende de uma variedade de fatores, portanto, dificilmente pode ser previsto pela aplicação direta da teoria físico-química.
Cientistas da Skoltech, a Universidade de Tartu (Estônia) e a Universidade de Strathclyde (Reino Unido), liderado por Skoltech Professor Maxim Fedorov, desenvolveram um método de predição híbrido BCF que consiste em duas etapas:primeiro os pesquisadores fazem cálculos físico-químicos para obter densidades 3-D de hidrogênio e oxigênio ao redor da molécula em estudo e, em seguida, aplicam redes neurais convolucionais 3-D - uma tecnologia usada com sucesso em reconhecimento de imagem. Esta abordagem demonstra que as propriedades complexas das substâncias orgânicas podem ser descritas mesmo com uma pequena quantidade de dados de entrada.
"Nosso método tornará muito mais fácil prever o impacto ambiental de uma determinada substância. Mas o mais importante é que desenvolvemos um método universal de descrever uma molécula de tal forma que sua imagem 3-D possa ser transferida para um Rede neural convolucional 3-D. A longo prazo, nosso método ajudará a prever as propriedades de várias moléculas "exóticas" e novos compostos onde os métodos existentes de relação estrutura-propriedade não funcionam, "disse o primeiro autor e estudante de Ph.D. da Skoltech, Sergey Sosnin.
