Modelo QSAR basado en redes neuronales artificiales para la predicción de la degradación de contaminantes farmacéuticos en cuerpos de agua a través de diferentes métodos fisicoquímicos

Recientemente, el sector farmacéutico ha experimentado una alta expansión en el diseño, fabricación y comercialización de diferentes productos, de manera que entidades internacionales como la Organización Mundial de la Salud (OMS), y el programa de Naciones Unidas para el Medio Ambiente (PNUMA) han presentado gran inquietud por los problemas ambientales y de salud que pueden derivarse de su uso cotidiano. Una de las principales problemáticas es la contaminación hídrica, pues los diferentes procesos industriales, centros de salud, y actividades agrarias, generan una variedad de contaminantes emergentes (CEs), siendo los fármacos los más alarmantes, ya que persisten por un largo tiempo en el agua, la cual, al no ser tratada de una manera eficiente en las plantas de tratamiento puede provocar a la población resistencia antibacteriana, inhibir el crecimiento y movilidad sobre determinadas funciones en vertebrados (no mamíferos) e invertebrados, y producir diferentes efectos crónicos, como estrogénicos, genotóxicos, cancerígenos y teratogénicos. Esto puede darse debido a que no se emplean las técnicas más adecuadas para elegir un método que garantice una eliminación significativa de las trazas de dichos contaminantes. En vista de ello, se planteó y realizó el presente proyecto, que tuvo como finalidad construir un modelo QSAR (Quantitative Structure-Activity Relationship) basado en redes neuronales artificiales (ANN) para la predicción de la degradación de contaminantes farmacéuticos en cuerpos de agua a través de diferentes métodos fisicoquímicos. Se establecieron 4 fases correspondientes a los objetivos específicos planteados. En la primera y segunda fase, se recopilaron y categorizaron datos de diferentes artículos sobre porcentajes de degradación de moléculas orgánicas presentes en aguas residuales, y se procedió al modelamiento molecular de sus estructuras químicas a través del diseño y optimización estructural en Avogadro, con el campo de fuerza MMFF94. En la tercera fase se calcularon los descriptores moleculares de los fármacos por medio de PaDEL-Descriptor, y se recurrió a MatLab como software matemático para filtrar y relacionar todos los descriptores disponibles con las moléculas, cuyos porcentajes de degradación se conocieron por las fases anteriores. Se aplicaron 2 filtros, siendo el primero de ellos la eliminación de descriptores con valores iguales a 0 (cero), lo que simboliza que la característica química que cuantifica no está presente en ninguna molécula. El segundo filtro fue realizado a través de una correlación de Pearson, de la cual se seleccionaron los descriptores que eran menos colineales, es decir, los que eran menos similares dentro de un grupo especifico. Esto ayuda a describir características químicas distintas, haciendo que los modelos sean más robustos en cuanto a exactitud de predicción. En la cuarta fase, se hizo uso de la red neuronal artificial diseñada por el grupo INQA de la Universidad El Bosque, con el objetivo de elaborar el modelo matemático de 6 métodos fisicoquímicos (ozonización, ozonización + H2O2, carbón activado, radiación UV, fenton oscuridad y foto-fenton + H2O2), para los cuales, se seleccionaron los descriptores dependiendo de la cantidad de moléculas que ingresaban a la red neuronal, la información encontrada en la literatura sobre sus características, su colinealidad, y su relevancia química, es decir, aquellos que podrían calcular una característica significativa de la mayoría de las estructuras moleculares. Los modelos se dieron como validados una vez obtuvieron un coeficiente de determinación (R2) mayor a 0,70. Cabe destacar que no fue posible realizar la validación de 8 métodos, debido principalmente a que no se contaba con un numero aceptable de moléculas para entrenar la red neuronal. Sin embargo, la mayoría de los métodos fisicoquímicos que abordaban estos modelos, solo diferían de los validados en las condiciones de reacción. Finalmente, haciendo uso de los modelos validados, se realizó la predicción de los porcentajes de eliminación de fármacos pertenecientes a los grupos de medicamentos con mayor presencia en fuentes hídricas de Colombia (antibióticos, antihipertensivos, analgésicos, medicamentos de uso psiquiátrico y sustancias ilícitas), donde se pudo determinar que la ozonización es el mejor método de eliminación de dichos compuestos frente a los otros métodos estudiados, debido principalmente al poder oxidante del ozono al generar la formación de la radicales libres. Así mismo, se confirmó la eficacia de otros métodos, dentro los cuales está carbón activado, foto fenton y en algunos casos el uso de radiación UV, que depende en gran medida de la estabilidad de las moléculas frente a la fotólisis.

• Autores: Cárdenas Rodríguez, Andrés Felipe; Niño Colmenares, Andrea Nadith
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/10607
• Acceso en línea: http://hdl.handle.net/20.500.12495/10607
• Palabra clave: Tratamientos fisicoquímicos; Red neuronal artificial INQA; Modelo QSAR; Contaminantes farmacéuticos; 615.19; Physicochemical treatments; INQA artificial neural network; QSAR model; Pharmaceutical contaminants
• Rights: closedAccess
• License: Acceso cerrado