Predicción de la GED y distancias de descriptores mordred mediante KNN a partir de grafos químicos

Identificador:  TFG:9489

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

Autores:  Vega Cuadros, Javier

Resumen:
Este análisis de final de grau ha analizado la predicción de la distancia entre moléculas químicas utilizadas mediante metodologías: la distancia de edición de gráficos (GED) y los descriptores moleculares Mordred, combinados con el algoritmo de K-Vecinos más cercanos (KNN). Tenemos que servir dos bases de datos (ESOL y FreeSolv) y dos enfoques para calcular el GED: una CPU asociada (con la librería NetworkX) y una GPU adicional (con el algoritmo Fast Bipartite). Los resultados muestran que el cálculo con GPU es más eficiente en tiempo (menores de una configuración frente a tres configuraciones con CPU) y que los valores calculados han variado una mica respecto a la CPU. Los modelos KNN integrados con datos de cálculos GED por GPU van a obtener en general mejores resultados que los de CPU, con errores cuadráticos (MSE) y errores absolutos (MAE) más bajos, además de coeficientes de determinación (R²) más elevados. De todas maneras, los mejores modelos han estado entre los valores de GED que mayoritariamente coinciden entre los algoritmos de CPU y GPU, y dos subconjuntos de datos, según cada base de datos. También es va identificar una correlación entre las distancias Mordred y el GED, fet que obre la porta a predir la similitud de los gráficos moleculares a partir de descriptores más fáciles de calcular. En conclusión, el trabajo demuestra que es viable predir distàncies moleculars de manera eficiente con KNN y empremtes moleculars, y proposo una eina útil para la quimioinformática basada en el código de desarrollo.