Redução de dimensionalidade em problemas de múltiplos alvos : uma comparação entre PCA e Autoencoder.

Abstract

As pesquisas na área de Química Medicinal têm utilizado cada vez mais técnicas para acelerar o processo de criação e desenvolvimento de medicamentos para combater novas doenças, especialmente por conta do crescimento exponencial da tecnologia em várias áreas do conhecimento. No entanto, esse avanço também leva ao aumento da quantidade de dados e variáveis a serem analisadas, tornando as tarefas atuais longas e complexas, um problema conhecido como “maldição da dimensionalidade”. As ferramentas da inteligên- cia artificial, as técnicas de análise de dados e os modelos de predição são cada vez mais comuns na área da Química Medicinal. Diante disso, o objetivo deste trabalho é criar uma ferramenta para auxiliar os pesquisadores na redução do tempo de análise de dados de compostos bioativos. Para isso, foram utilizadas técnicas de redução de dimensionalidade de dados, como a Análise de Componentes Principais e uma Rede Neural Autoencoder, juntamente com algoritmos de aprendizado de máquina para classificação multioutput. Os resultados obtidos foram comparados, o que mostra que a Rede Neural Autoencoder conse- gue proporcionar uma melhoria na classificação dos descritores obtendo-se coeficientes de F-Measure superiores aos testes com Análise de Componentes Principais principalmente em conjuntos de dados com maiores observações obtendo score de 0,610 nos testes de descritores KR para Autoencoder e 0,553 para Análise de Componentes Principais. É pos- sível concluir que as técnicas de redução de dimensionalidade são efetivas, pois conseguem condensar informações de conjuntos extensos de dados, melhorando assim os modelos de predição.