Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas (2024)
- Authors:
- Autor USP: SANTOS, CHRISTIANO DOS - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 593
- DOI: 10.11606/T.59.2024.tde-24042024-095303
- Subjects: ANÁLISE MULTIVARIADA; APRENDIZADO COMPUTACIONAL; FÁRMACOS PSICOTRÓPICOS; QUÍMICA TEÓRICA; QUIMIOMETRIA
- Keywords: Aprendizado de máquina; Chemometrics; Density functional; dft; Machine learning; Multivariate analysis; New psychoactive substances; Novas substâncias psicoativas; nps; Theoretical chemistry
- Language: Português
- Abstract: O consumo de drogas acompanha a evolução da humanidade e é considerado um movimento histórico. A política de guerra às drogas fez com que o consumo de drogas fosse reprimido e criou esforços internacionais no que diz respeito ao combate ao tráfico. Esse movimento acarretou o surgimento das Novas Substâncias Psicoativas (New Psychoactive Substances, NPS). Esses compostos correspondem a modificações nas estruturas químicas das substâncias originalmente proibidas com o intuito de criar alternativas ao consumo e à proibição legislativa. Em termos forenses, o aparecimento das NPS levantou questionamentos sobre métodos de análise para a identificação e caracterização dessas substâncias. A velocidade de surgimento dessas novas drogas representa também um desafio para os métodos tradicionais de análise. Questões regulatórias também podem influenciar no desenvolvimento de métodos experimentais, uma vez que as substâncias são detectadas por meio de operações policiais. O entendimento sobre o comportamento dessas substâncias é muito importante para auxiliar em procedimentos de investigação e controle do tráfico. Neste trabalho utilizamos métodos computacionais da teoria do funcional de densidade (DFT) na determinação de dados espectroscópicos e efeitos de solvente para diferentes grupos de compostos. O desempenho dos métodos in silico foi verificado por meio de avaliações utilizando estatística multivariada. Neste caso os métodos de aprendizado de máquina de classificação não supervisionada e supervisionada foram aplicados para identificar a sensibilidade de cada método em relação a propriedades estruturais e efeitos de solvente, averiguando-se a eficácia dos métodos computacionais utilizados. Os algoritmos de classificação apresentaram ótimo desempenho na classificação dos diferentes grupos de NPS, e foi demonstrada a não influência por tiposde funcionais utilizados
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2024
- Data da defesa: 01.03.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SANTOS, Christiano dos. Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas. 2024. Tese (Doutorado) – Universidade de São Paulo, Ribeirão Preto, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/59/59138/tde-24042024-095303/. Acesso em: 19 out. 2024. -
APA
Santos, C. dos. (2024). Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas (Tese (Doutorado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/59/59138/tde-24042024-095303/ -
NLM
Santos C dos. Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas [Internet]. 2024 ;[citado 2024 out. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59138/tde-24042024-095303/ -
Vancouver
Santos C dos. Métodos computacionais e machine learning aplicados ao estudo de propriedades espectroscópicas de novas substâncias psicoativas [Internet]. 2024 ;[citado 2024 out. 19 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59138/tde-24042024-095303/
Informações sobre o DOI: 10.11606/T.59.2024.tde-24042024-095303 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
