http://repositorio.unb.br/handle/10482/57464| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| RodrigoDaFonsecaSilveira_TESE.pdf | 3,1 MB | Adobe PDF | Visualizar/Abrir |
| Título: | Desenvolvimento de software para modelagem preditiva de nanopartículas poliméricas de interesse farmacêutico |
| Autor(es): | Silveira, Rodrigo da Fonseca |
| Orientador(es): | Cunha Filho, Marcílio Sérgio Soares da |
| Assunto: | Mineração de dados Ciência de dados Nanopartículas |
| Data de publicação: | 17-Nov-2026 |
| Data de defesa: | 26-Jun-2026 |
| Referência: | SILVEIRA, Rodrigo da Fonseca. Desenvolvimento de software para modelagem preditiva de nanopartículas poliméricas de interesse farmacêutico. 2026. 129 f., il. Tese (Doutorado em Nanociência e Nanobiotecnologia) — Universidade de Brasília, Brasília, 2026. |
| Resumo: | A formulação de nanopartículas poliméricas é um processo complexo e multivariado, tradicionalmente guiado por abordagens empíricas de "tentativa e erro" que dificultam o escalonamento industrial. Embora a ciência de dados e o aprendizado de máquina (machine learning - ML) ofereçam alternativas promissoras para a implementação do Quality by Design (QbD), a literatura atual carece de validações robustas, baseando-se predominantemente em pequenos conjuntos de dados e modelos restritos a um único fármaco. Neste contexto, esta tese estruturada em formato multipaper apresenta o desenvolvimento, a consolidação e a implementação tecnológica da plataforma NANO-AI. A pesquisa iniciou com a construção de uma prova de conceito focada no fármaco modelo isoniazida, evoluindo posteriormente para um pipeline otimizado de duas etapas: uma classificação binária para predição da viabilidade de formação das nanopartículas, seguida por modelos de regressão para estimar os atributos críticos de qualidade (tamanho hidrodinâmico, índice de polidispersidade, potencial zeta e eficiência de encapsulação). Utilizando um banco de dados composto por 925 formulações contendo nove princípios ativos físicoquimicamente diversos, o modelo classificador (Extreme Gradient Boosting - XGBoost) foi o responsável pela identificação de sistemas viáveis. Na etapa de regressão, os algoritmos Deep Learning e XGBoost alcançaram coeficientes de determinação (R²) superiores a 0,95 para o tamanho, potencial zeta e eficiência de encapsulação. A eficiência preditiva do framework foi atestada por meio de experimentos interlaboratoriais e pela generalização zero-shot em três fármacos inéditos (cafeína, nifurtimox e itraconazol), e demonstrou satisfatória capacidade de extrapolação preditiva para esses fármacos não utilizados na fase de treinamento dos modelos. Por fim, a plataforma se materializou na implementação de uma arquitetura de software completa, integrando extração automatizada de dados em Python, armazenamento em bancos de dados relacionais PostgreSQL, algoritmos em linguagem R e um simulador de formulações interativo hospedado no Microsoft Power BI, alimentado por mais de 720.000 formulações virtuais simuladas. |
| Abstract: | The formulation of polymeric nanoparticles is a complex and multivariate process traditionally guided by empirical trial-and-error approaches, which hinder industrial scale-up. Although data science and machine learning (ML) provide promising alternatives for the implementation of Quality by Design (QbD), the current literature lacks robust validation studies, relying predominantly on small datasets and models restricted to a single drug. In this context, this multipaper-format thesis presents the development, consolidation, and technological implementation of the NANO-AI platform. The research began with the construction of a proof of concept focused on the model drug isoniazid and subsequently evolved into an optimized two-stage pipeline: a binary classification model for predicting nanoparticle formation feasibility, followed by regression models to estimate critical quality attributes (hydrodynamic size, polydispersity index, zeta potential, and encapsulation efficiency). Using a database composed of 925 formulations containing nine physicochemically diverse active pharmaceutical ingredients, the classification model (Extreme Gradient Boosting – XGBoost) was responsible for identifying viable systems. In the regression stage, the Deep Learning and XGBoost algorithms achieved coefficients of determination (R²) greater than 0.95 for size, zeta potential, and encapsulation efficiency. The predictive performance of the framework was validated through interlaboratory experiments and zero-shot generalization involving three previously unseen drugs (caffeine, nifurtimox, and itraconazole), demonstrating satisfactory predictive extrapolation capability for compounds not included in the model training phase. Finally, the platform was materialized through the implementation of a complete software architecture integrating automated data extraction in Python, storage in PostgreSQL relational databases, algorithms developed in the R programming language, and an interactive formulation simulator hosted on Microsoft Power BI, supported by more than 720,000 simulated virtual formulations. |
| Unidade Acadêmica: | Instituto de Ciências Biológicas (IB) Departamento de Genética e Morfologia (IB GEM) |
| Informações adicionais: | Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Biológicas, Pós-Graduação em Nanociência e Nanobiotecnologia, 2026. |
| Programa de pós-graduação: | Programa de Pós-Graduação em Nanociência e Nanobiotecnologia |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.