Transferência indutiva de aprendizagem: uma abordagem de inteligência artificial para avaliação ecotoxicológica de produtos químicos para aves e peixes

• Ano de defesa: 2024
• Autor(a) principal: Silva, Meryck Felipe Brito da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás; Faculdade de Farmácia - FF (RMG); Brasil; UFG; Programa de Pós-graduação em Ciências Farmacêuticas (FF)
• Palavras-chave em Português: Toxicologia Terrestre; Multitask learning; Model explainability; Avian; Computational ecotoxicology; CIENCIAS DA SAUDE::FARMACIA
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/13882

O uso extensivo de agrotóxicos no plantio, incluindo a remoção de margens de campos e novas medidas de proteção de cultivos, tem sido associado a um declínio significativo na biodiversidade de plantas, insetos, pássaros e outros animais prestadores de serviços ecológicos. Uma avaliação de segurança abrangente de produtos químicos deve exigir avaliação de toxicidade nas espécies de terrestres, como aves silvestres conoras e/ou de ambientação aquática. Devido às práticas de aplicação e às propriedades dos produtos químicos, o teste de toxicidade aviária é considerado um requisito essencial no processo de avaliação de risco ecotoxicológico. Considerando a característica laboriosa, custo e questões éticas associadas ao ensaio in vivo, ferramentas in silico têm emergido como alternativas viáveis para avaliação toxicológica em aves. Os modelos de aprendizagem multitarefa de relação atividade-estrutura quantitativa (QSAR) foram desenvolvidos para predizer a toxicidade química de agrotóxicos contra quatro espécies de aves (Anas platyrhynchus, Colinus virginianus, Coturnix japonica, Phasianus colchicus) seguindo as diretrizes da OCDE. Inicialmente, um conjunto de dados compreendendo 683 compostos com valores experimentais de DL50 foi coletado de várias fontes. Em seguida, modelos de tarefa única de floresta de decisão de conjunto e um modelo de aprendizado multitarefa foram desenvolvidos usando impressões digitais moleculares (ECFP2). Como resultado, os modelos de multitarefa superam significativamente a abordagem de tarefa única, com valores médios aceitáveis de MAE de teste variando entre 0,32–0,54 e valores de r entre 0,62–0,80. Como a natureza "black-box" do aprendizado profundo pode dificultar a interpretação mecanicista das previsões, as contribuições de recursos para a toxicidade foram baseadas nos valores SHApley Additive exPlanations (SHAP). As contribuições de recursos quantitativos dos cálculos de valor SHAP locais suportam a toxicidade de potência contra quatro espécies de aves. Para ser mais preciso, os modelos mostraram que as porções compostas de ácido carbânio, cloro, fosfato e carbonos com hibridização sp2 pesavam positivamente a potência prevista nas três tarefas. Em conclusão, o método criado aqui é uma nova ferramenta computacional para determinar a toxicidade de agrotóxico para quatro espécies diferentes de aves.