Banca de QUALIFICAÇÃO: JEFFERSON BONIFACIO SILVA

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: JEFFERSON BONIFACIO SILVA
DATA : 16/10/2026
LOCAL: Defesa remota
TÍTULO:

PREDIÇÃO DE ACOPLAMENTOS J VIA APRENDIZADO DE MÁQUINA: REPRESENTAÇÃO MOLECULAR DE ESTRUTURAS ORGÂNICAS.

 

PALAVRAS-CHAVES:

RMN, aprendizagem de máquina, DFT, predição, rede neural.

PÁGINAS: 88
RESUMO:

A predição de acoplamentos escalares de ressonância magnético nuclear RMN (n J) a
partir da estrutura molecular é essencial para a elucidação da estrutural molecular, tanto
a sua constituição quanto configuração e conformação. No entanto, os métodos mecanoquânticos, particularmente aqueles baseados na teoria do funcional da densidade (DFT),
embora confiáveis, apresentam um alto custo computacional, particularmente quando
aplicados a moléculas de grande tamanho ou quando é necessário o cálculo de um grande
número de estruturas. Neste trabalho, foi desenvolvido um modelo de aprendizado de
máquina voltado à predição de acoplamentos escalares vicinais (³JHH), geminais (²JHH) e
long-range (³JHCCC), a partir de uma combinação de representações geométrico, extraídas
de estruturas otimizadas mediante mecânica molecular e parâmetros eletrônicos obtidos
mediante métodos semiempíricos. Os vetores associados à representação de cada
acoplamento, abrangem quase dois mil elementos, combinando coordenadas
transformadas, tipos de átomos (MMFF94), cargas parciais e distâncias de ligação aos
átomos vizinhos nas posições α e β. Foram implementadas arquiteturas específicas para
cada tipo de acoplamento, com invariância rotacional e translacional assegurada por
transformações das coordenadas no marco de referência molecular a um marco local ao
próprio acoplamento considerado. O conjunto de dados, composto por aproximadamente
40 mil acoplamentos extraídos de 5.400 moléculas, foi dividido entre treino e teste. Os
resultados do modelo vicinal apresentaram elevada concordância com os cálculos DFT,
registrando MAE ≈ 0,3 Hz e RMSE ≈ 0,5 Hz, erros compatíveis com a incerteza dos
métodos quânticos. Além da acurácia preditiva, o modelo foi capaz de reproduzir
tendências conformacionais descritas pelas curvas de Karplus, indicando aprendizado
consistente de relações geométricas e eletrônicas associadas aos acoplamentos escalares.
A análise de sistemas tensionados e moléculas complexas, como a quinina, permitiu
identificar limitações associadas à representação eletrônica e conformacional utilizada.
Ambos os modelos reproduziram com precisão as curvas de Karplus para e mantiveram
uma boa correlação global. Embora apresente limitações em sistemas tensionados ou
eletronicamente complexos, a abordagem demonstrou alto potencial como ferramenta
ágil para predição.

 

MEMBROS DA BANCA:
Presidente - 1167723 - ARMANDO JUAN NAVARRO VAZQUEZ
Interno - 1299876 - GABRIEL AIRES URQUIZA DE CARVALHO
Externo à Instituição - GONZALO HERNANDEZ
Externo à Instituição - GUSTAVO DE MIRANDA SEABRA