Informe Científico de Beca

URI permanente para esta colección

https://digital.cic.gba.gob.ar/handle/11746/1751

Examinar

Examinando Informe Científico de Beca por Autor "Cravero, Fiorella"

Mostrando 1 - 3 de 3
  • Informe de becario
    Acceso Abierto
    Informe científico de Beca de Estudio: Cravero, Fiorella (2014)
    (2014) Cravero, Fiorella
    Durante el periodo de beca se realizaron las actividades propuestas en el plan de trabajo para el primer año según el cronograma propuesto, a saber: Actividad 1: Revisión bibliográfica (y continua). Actividad 2: Realización de cursos de posgrado (y continua). Actividad 3: Estudio de principales algoritmos disponibles y sus implementaciones más difundidas (herramientas computacionales) (y continua). Actividad 4: Modelado QSPR de elongación a la rotura, introduciendo relaciones físico-químicas asociadas a ductilidad y resistencia, teniendo en cuenta la dispersión de pesos moleculares (y continua). Con respecto a la Actividad 1 y 3, se realizó una revisión detallada de bibliografía considerada de cabecera en el área [1-5], así como de trabajos previos en el grupo ya que se cuenta con experiencia en el desarrollo de herramientas predictivas QSPR Quantitative Structure-Property Relationships) como en la aplicación de las mismas en diferentes campos [6-12], También se revisaron las contribuciones más recientes que fueron publicándose este último par de años. En cuanto a la Actividad 2, como se detalla en el punto 10 de este formulario se realizaron, por el momento, 8 cursos de posgrado formativos para la disciplina. Producto del curso "Minería Web", se ha publicado el trabajo citado en el apartado 7.5.1. En relación a la Actividad 3 y 4, se comenzó a aplicar la metodología QSPR a la predicción de propiedades mecánicas de polímeros sintéticos de alto peso molecular. La predicción de propiedades asociadas a entidades químicas mediante métodos informáticos corresponde a un área dentro de la química computacional o quimioinformática. Las herramientas con mayor desarrollo en la actualidad son los métodos de inteligencia computacional, que intentan descubrir las relaciones del modelo de predicción a partir de procesos de inferencia computacional aplicados sobre datos experimentales. La tarea de diseñar modelos QSPR enfrenta algunos desaños intrínsecos como determinar el conjunto de descriptores moleculares óptimos a utilizar en el modelo. Este problema es complejo dado que el universo de posibles descriptores a usar en el modelado es muy amplio y generalmente se desconocen cuáles son los más relevantes para la propiedad en estudio. Otro de los problemas está relacionado con la representación computacional del polímero, debido al gran tamaño de los mismos. Para dar respuesta a estos problemas, como solución al primero se aplicó una herramienta desarrollada en nuestro grupo denominada DELPHOS [6] (método tradicional de selección de descriptores basado en Algoritmos Genéticos), siempre en combinación con el conocimiento del experto, con el objetivo de maximizar la interpretabilidad fisicoquímica del modelo y minimizar la cardinalidad, evitando asi redundancia. El segundo problema fue abordado mediante la representación sintética de monómeros y trímeros de los polímeros presentes en las bases de datos. De manera integral, usando redes neuronales se lograron modelos confiables, interpretables y de baja cardinalidad que fueron publicados como se señaló en el apartado 7.5.3 y 7.5.4. A continuación de estos trabajos, se comenzó con la aplicación de técnicas de Analítica Visual, cuyos grafos interactivos facilitan la tarea de construcción y evaluación de los modelos QSPR. Como fruto de estos primeros pasos en la aplicación de estas técnicas se presentó un trabajo a congreso como consta en el punto 7.5.2.
  • Informe de becario
    Acceso Abierto
    Informe científico de Beca de Estudio: Cravero, Fiorella (2015)
    (2015) Cravero, Fiorella
    A menudo debe hacerse una selección entre distintos materiales de modo de satisfacer requisitos de rendimiento y/o costo [1]. Al abordar un problema de diseño, el ingeniero pensará primero en las propiedades que desea para un material específico. Aunque el enfoque típico en el diseño de nuevos materiales ha sido empírico, actualmente se avanzó mucho en el conocimiento de las relaciones entre la estructura molecular de un material y sus propiedades, lo que conduce a la capacidad de predecir las propiedades del material, previo a su síntesis [2], Estos avances condujeron a mejorar la capacidad de predecir las propiedades del material previo a su síntesis, que a su vez se traduce en enormes ahorros en tiempo y costo. Sin embargo, no es fácil conseguir estas predicciones ya que las variables que intervienen son muy complejas desde un punto de vista cuantitativo y cualitativo. De este modo, el diseño y la síntesis de nuevos materiales con propiedades específicas y novedosas han resultado en uno de los campos más dinámicos de la ciencia moderna [1].
  • Informe de becario
    Acceso Abierto
    Informe científico de Beca Doctoral 3º año: Cravero, Fiorella (2016-2017)
    (2017) Cravero, Fiorella
    De acuerdo a los objetivos de la tesis, la labor realizada se divide en 2 áreas de aplicacion: 1-Diseño de Nuevos Materiales poliméricos, 2-Diseño Racional de Drogas. 1.a-Representación Molecular Sintética (monomeros,trimeros): se avanzó en la prediccionde propiedades mecánicas con QSPR mediante Selección de características unido alAprendizaje de caracteristicas. Se comenzó con modelos de Clasificación para ductilidad enpolímeros. 1.b-Representación Molecular Real: no hay antecedentes de abordaje macromolecular paramateriales poliméricos polidispersos. Se propuso una nueva metodología de modeladopredictivo que considera: la recuperacion teórica de la Curva de distribución de pesos,Representantes Moleculares de diferentes tamaños, el desarrollo de un Graficador demacromoleculas y de un Calculador de descriptores (softwares inexistentes hasta elmomento). 2.a-Idem 1.a para propiedades ADMET. En e-health, se modelaron por clasificación VOCsimportantes en calidad de aire. 2.b- Se investigó el Dominio de Aplicación de los modelos QSPR, utilizando aprendizajeprofundo y clasterización difusa.