São Paulo — InkDesign News —
Recentes avanços em aprendizado de máquina (machine learning) têm revolucionado a forma como interpretamos e interagimos com dados complexos, desde imagens até sequências biológicas. Pesquisadores da Universidade de Cambridge estão investigando novas representações moleculares para melhorar as previsões químicas e biológicas.
Arquitetura de modelo
O estudo aborda como representações moleculares podem ser traduzidas em formatos que os computadores compreendem. Como descrito, "sem nossas experiências sensoriais traduzindo sinais físicos em códigos internos, não conseguiríamos perceber nada" (“Without our senses translating physical signals into internal codes, we couldn’t perceive anything”)— Tianyuan Zheng, Pesquisador, Universidade de Cambridge.
A pesquisa considera várias arquiteturas de modelos, incluindo redes neurais baseadas em grafos (GNNs), que permitem processar moléculas como grafos. Esse modelo aprofunda a capacidade de entender interações químicas complexas e padrões espaciais entre átomos.
Treinamento e otimização
O treinamento dessas redes requer conjuntos de dados extensivos e diversos, uma vez que "a qualidade de uma representação define um limite superior para o desempenho de qualquer modelo construído a partir dela" (“The quality of a representation sets an upper bound on the performance of any model built on it”)— Tianyuan Zheng, Pesquisador, Universidade de Cambridge.
Os pesquisadores utilizam molecular descriptors e fingerprints para gerar representações numéricas das moléculas, o que facilita a modelagem e reduz o espaço computacional necessário. A otimização dos hiperparâmetros também é crucial para melhorar a precisão, com resultados preliminares indicando acurada previsão de propriedades moleculares.
Resultados e métricas
Os primeiros experimentos mostram que os modelos alcançam alta acurácia em tarefas de classificação e previsão de interações moleculares. Com um tempo de treinamento otimizado, os resultados sugerem que as representações gráficas serão fundamentais para prever reações químicas e inibir interações prejudiciais.
Com a crescente demanda por pesquisas em química computacional, a aplicação prática dessas técnicas pode transformar a descoberta de medicamentos e o design molecular. A equipe de Cambridge antecipa que suas novas descobertas poderão ser utilizadas em campos como a bioinformática e a terapia farmacológica, propondo métodos inovadores para entender e manipular as interações moleculares.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
