Predicció de la GED i distàncies de descriptors mordred mitjançant KNN a partir de grafs químics

Identificador:  TFG:9489

Handle: https://hdl.handle.net/20.500.11797/TFG9489

Autors:  Vega Cuadros, Javier

Resum:
Aquest treball de final de grau ha analitzat la predicció de la distància entre molècules químiques mitjançant dues metodologies: la Graph Edit Distance (GED) i els descriptors moleculars Mordred, combinades amb l’algoritme de K-Nearest Neighbors (KNN). S’han fet servir dues bases de dades (ESOL i FreeSolv) i dos enfocaments per calcular la GED: un mitjançant CPU (amb la llibreria NetworkX) i un altre mitjançant GPU (amb l’algorisme Fast Bipartite). Els resultats obtinguts mostren que el càlcul amb GPU és molt més eficient en temps (menys d’una setmana vs. tres setmanes amb CPU) tot i que els valors calculats han variat una mica respecte als de CPU. Els models KNN entrenats amb dades de GED calculades per GPU van obtenir en general millors resultats que els de CPU, amb errors quadràtics mitjans (MSE) i errors absoluts mitjans (MAE) més baixos, així com coeficients de determinació (R²) més elevats. De totes maneres, els millors models han estat els que s’han entrenat amb els valors de GED que majoritàriament coincidien entre els algorismes de CPU i GPU, en dos subdatasets, un per a cada base de dades. També es va identificar una correlació entre les distàncies Mordred i la GED, fet que obre la porta a predir la similitud dels grafs moleculars a partir de descriptors més fàcilment computables. En conclusió, el treball demostra que és viable predir distàncies moleculars de manera eficient amb KNN i empremtes moleculars, i proposa una eina útil per la quimioinformàtica basada en el codi desenvolupat.