Modelos computacionais para avaliação preditiva de ecotoxicidade em Artemia salina.

Abstract

O ambiente aquático é altamente complexo e diversificado, visto que compreende vários tipos de ecossistemas dentre os quais se encontram rios, lagos, estuários, mares e oceanos. Todos esses ecossistemas são produtos dinâmicos de interações complexas entre os componentes bióticos e abióticos característicos de cada um deles. A Artemia salina é um organismo de água salgada pertencente ao filo Arthropoda, disposto na família Artemiidae. Descrito como um crustáceo filtrador de ecossistemas talássicos, que se alimenta principalmente de bactérias, algas unicelulares, pequenos protozoários e detritos que são dissolvidos no meio. A intensificação do uso de agrotóxicos associado a expansão de áreas de produção agrícola tem ameaçado a biodiversidade do ecossistema aquático e seus serviços prestados. O presente trabalho objetivou a construção e validação de modelos de QSTR úteis para a predição de ecotoxicidade de compostos em Artemia salina. Metodologicamente, a modelagem dos parâmetros toxicológicos pode ser representada como um processo de três partes. Inicialmente, foi construído, preparado e padronizado o maior conjunto de dados de compostos com dados de LC50 para A. salina disponível na literatura. Em seguida, todas as estruturas químicas de molécula foram codificadas em descritores moleculares. Posteriormente, métodos de aprendizado de máquina Random Forest (RF) e Support Vector Machine (SVM) foram utilizados para estabelecer relações quantitativas entre os descritores moleculares e propriedade toxicológica estudada. A preditividade do modelo QSTR obtido foi calculada utilizando métricas apropriadas, as quais avaliaram a habilidade do modelo em predizer corretamente a toxicidade de compostos avaliados experimentalmente. Dos modelos construídos, o que se destacou em robustez e preditividade foi a combinação de FeatMorgan_2 + Random Forest (CCR = 0,82; SE = 0,80; SP = 0,85; PPV= 0,84; NPV= 0,81; k= 0,65; Cobertura= 0,66. Os modelos gerados serão implementados em servidores online para que os utilizadores possam realizar predições.