logo RIMA
logo UFRRJ

  1. Repositório de Múltiplos Acervos da UFRRJ
  2. Teses e Dissertações
  3. Programa de Pós-Graduação em Modelagem Matemática e Computacional
  4. Mestrado em Modelagem Matemática e Computacional
Please use this identifier to cite or link to this item: https://rima.ufrrj.br/jspui/handle/20.500.14407/23203
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBandeira, Soraya de Oliveira-
dc.date.accessioned2025-09-16T13:53:17Z-
dc.date.available2025-09-16T13:53:17Z-
dc.date.issued2024-03-19-
dc.identifier.citationBANDEIRA, Soraya de Oliveira. Uso de algoritmos de aprendizado de máquina para a busca de modelos de previsão da atividade inibitória da enzima N-miristoiltransferase de Leishmania donovani . 2024. 114 f. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2024.pt_BR
dc.identifier.urihttps://rima.ufrrj.br/jspui/handle/20.500.14407/23203-
dc.description.abstractA leishmaniose é uma doença negligenciada (DN) e representa um desafio global. As empresas farmacêuticas investem pouco na fabricação de medicamentos para DNs, porque o retorno é pequeno e essas doenças afetam principalmente as regiões de baixo poder aquisitivo . Os medi- camentos usados no tratamento contra leishmaniose são administrados com base na inibição de outras doenças e tem efeitos colaterais. O campo da modelagem molecular tem se mostrado efi- ciente para o desenvolvimento de novos medicamentos, quanto a recurso e tempo. Este trabalho tem como objetivo aplicar o método QSAR (Quantitative Structure Activity) para a modelagem molecular de estruturas sintetizadas e promissoras no combate a Leishmania donovani, jun- tamente com uma análise de métodos lineares e não lineares de aprendizado de máquina em caráter inibitório do protozoário, o melhor modelo foi aquele com o menor RMSE, nas eta- pas de calibração e validação cruzada leave-one-out, sendo este o método de regressão linear múltipla (MLR).pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal Rural do Rio de Janeiropt_BR
dc.subjectLeishmaniosept_BR
dc.subjectLeishmania donovanipt_BR
dc.subjectQSARpt_BR
dc.subjectLeishmaniasispt_BR
dc.titleUso de algoritmos de aprendizado de máquina para a busca de modelos de previsão da atividade inibitória da enzima n-miristoiltransferase de leishmania donovani .pt_BR
dc.title.alternativeUsing machine learning algorithms to search for mod- els prediction of enzyme inhibitory activity of the n-myristoyltransferase of leishmania donovani .en
dc.typeDissertaçãopt_BR
dc.description.abstractOtherLeishmaniasis is a neglected disease (ND) and represents a global challenge. The companies pharmaceutical companies invest little in the manufacture of medicines for EDs, as the return is small and these diseases mainly affect regions with low purchasing power. The medicines used to treat leishmaniasis are administered based on the inhibition of other diseases and has side effects. The field of molecular modeling has proven to be effective for the development of new medicines, in terms of resources and time. This work has as objective apply the QSAR (Quantitative Structure Activity) method for molecular modeling of synthesized and promising structures in the fight against Leishmania donovani, together with an analysis of linear and non- linear machine learning methods in inhibitory character of the protozoan, the best model was the one with the lowest RMSE, in the calibration stages and leave-one-out cross validation, this being the multiple linear regression (MLR) method.en
dc.contributor.advisor1Cruz, Marcelo Dib-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.advisor-co1Sant’Anna, Carlos Mauricio Rabello de-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0003-1989-5038pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2087099684752643pt_BR
dc.contributor.referee1Cruz, Marcelo Dib-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-0380-144Xpt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/7385995443437070pt_BR
dc.contributor.referee2Silva, Felipe Leite Coelho da-
dc.contributor.referee2IDhttps://orcid.org/0000-0002-7090-5716pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9601624302826678pt_BR
dc.contributor.referee3Provenza, Marcello Montillo-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9034649150495481pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1658554564850239pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Ciências Exataspt_BR
dc.publisher.initialsUFRRJpt_BR
dc.publisher.programPrograma de Pós-Graduação em Modelagem Matemática e Computacionalpt_BR
dc.relation.referencesSANTOS, S. S.; ARAÚJO, R. V.; GIAROLLA, J.; SEOUD, O. E.; Ferreira, E. I. Searching for drugs for Chagas disease, leishmaniasis and schistosomiasis, International Journal of Antimicrobial Agents, V. 55, N. 4, p. 2 e 18, 2020. 2 THAKUR, S.; JOSHI, J.; KAUR, S. Leishmaniasis diagnosis: an update on the use of parasitological, immunological and molecular methods. Journal of Parasitic Diseases, v. 44, p. 253–272, 2020. 3 GARCIA, L.S. Estudos computacionais de potenciais inibidores da enzima N- Miristoiltransferase de Plasmodium falciparum e Leishmania donovani. 2017. 106 f. Tese (Doutorado em Agroquímica). Universidade Federal de Lavras, Minas Gerais. 4 ANDRADE, C. H.; PASQUALOTO, K. F. M.; FERREIRA, E. I.; HOPFINGER, A. J. 4D-QSAR: Perspectives in Drug Design in Drug Design. Molecules, v. 15, n. 5, p. 3281-3294, 2010. 5 MARTINS, J. P. A.; FERREIRA, M. M. C. QSAR modeling: um novo pacote computacional open source para gerar e validar modelos QSAR. Química Nova, V. 36, N. 4, p. 554 - 560, 2013. 6 WHO - World Health Organization;.Leishmaniasis Disponível em:<https://www.who.int/news-room/fact-sheets/detail/leishmaniasis> . Acesso em 25 de fev, 2024. 7 GARCIA, L. S.; SILVA, D. R.; ASSIS, L. A.; ASSIS, T. M.; GAJO, G. C.; FERNANDES, I. A.; RAMALHO, T. C.; CUNHA, E. F. F.Design of Novel N-Myristoyltransferase Inhibitors of Leishmania donovani Using Four-Dimensional Quantitative Structure-Activity Relationship Analysis. Journal of the Brazilian Chemical Society, V. 29, N. 7, p. 1440 - 1454, 2018. 8 GIL, Z.; MARTINEZ-SOTILLO, N.; PINTO-MARTINEZ, A.; MEJIAS, F.; Martinez, J. C.; GALINDO, I.; Oldfield, E.; BENAIM, G. SQ109 inhibits proliferation of Leishmania donovani by disruption of intracellular Ca2+ homeostasis, collapsing the mitochondrial electrochemical potential (∆Ψm) and affecting acidocalcisomes. Parasitology Research, V. 119, N. 2, p. 649 - 657, 2020. 9 MCCALL, L. I., ZHANG, W. W., MATLASHEWSKI, G. Determinants for the development of visceral leishmaniasis disease. PLoS Pathogens, V. 9, N. 1, p. e1003053, 2013 10 SINGH, P.; KUMAR, A. Deciphering the function of unknown Leishmania donovani cytosolic proteins using hyperparameter-tuned random forest. Network Modeling Analysis in Health Informatics and Bioinformatics, V. 9, N. 2, p. 1-9, 2020. 11 WALL, R. J.; CARVALHO, S.; MILNE, R.; BUEREN-CALABUIG, J. A.; MONIZ, S.; CANTIZANI-PEREZ, J.; MACLEAN, L.; KESSLER, A.; COTILLO, I.; SASTRY, L.; MANTHRI, S.; PATTERSON, S.; ZUCCOTTO, F.; THOMPSON, S.; MARTÍN, J. J.; MARCO, M.; MILES, T. J.; RYCKER, M.; Thomas, M.G. ; FAIRLAMB, A. H.; GILBERT, I. H.; WYLLIE, S. The Qi site of cytochrome b is a promiscuous drug target in Trypanosoma cruzi and Leishmania donovani. ACS Infectious Diseases, V. 6, N. 3, p. 515 - 528, 2020. 12 WHO. World Health Organization. Neglected tropical diseases. Disponível em: <https://www.who.int/data/gho/data/themes/topics/gho-ntd-leishmaniasis>. Acesso em: 31 jan, 2022. 13 MENEZES, M. Pesquisa mostra a evolução da leishmania brasileira. FIOCRUZ, 04/02/2021. Disponível em: <https://portal.fiocruz.br/noticia/pesquisa-mostra-evolucao-da- leishmania-brasileira>. Acesso em: 12 fev. 2022. 14 PARÁ Pará está entre os estados que mais registram mortes por leishmaniose no Brasil. Correio Paraense, 23/08/2021. Disponível em: <https://correioparaense.com.br/2021/08/23/para-esta-entre-os-estados-que-mais-registram- mortes-por-leishmaniose-no-brasil/>. Acesso em: 23 ago. 2021. 15 SACKS, D. L. Metacyclogenesis in Leishmania promastigotes. Exp Parasitol, v. 69, p. 100 - 103, 1989. 16 JACOBSON, R. L.; SCHELEIN, Y.; EISENBERG, C. L.. The biological function of sand fly and glycosidades. Med Microbiol Immnunol, v. 190, p. 51 - 55, 2001. 17 PÊSSOA, S. B.; MARTINS, A. V. Tripanosomatidae - Gênero Leishmania. In Parasitologia Médica. Rio de Janeiro: Editora Guanabara Koogan, p.77 - 118, 1977. 18 GHORBANI, M.; FARHOUDI, R. Leishmaniasis in humans: drug orvaccine therapy?. Drug Des Devel Ther., V. 12: p. 25 – 40, 2018. 19 BRASIL. Controle e Combate à Leishmaniose. Biblioteca Virtual em Saúde. Disponível em: <https://bvsms.saude.gov.br/10-a-17-8-semana-nacional-de-controle-e-combate-a- leishmaniose>. Acesso em: 31 jan. 2022. 20 ELMAHALLAWY, E. K.; AGIL, A. Treatment of leishmaniasis: a review and assessment of recent research, Curr Pharm Des, V. 21, N. 17, p. 2259 - 2275, 2015. 21 FREITAS-JUNIOR, L. H.; CHATELAIN, E.; KIM, H. A., SIQUEIRA-NETO, J. L. Visceral leishmaniasis treatment: what do we have, what do we need and how to deliver it?. International Journal for Parasitology: Drugs and Drug Resistance, V. 2, p. 11 - 19, 2012. 22 AKBARI, M.; ORYAN, A.; HATAM, G. Application of nanotechnology in treatment of leishmaniasis: a review. Acta Tropica, V. 172, p. 86 – 90, 2017. 23 Brereton R.G.. Chemometrics Data Driven Extraction for Science.Editora Wiley 2a edição, 2018. 24 SUNDAR, S.; GUPTA L. B.; RASTOGI, V.; AGRAWAL, G.; MURRAY, H. W.Short- course, cost-effective treatment with amphotericin B-fat emulsion cures visceral leishmaniasis. Trans R Soc Trop Med Hyg, V. 94, p. 200 – 204, 2000. 25 SUNDAR, S.; SINGH, A. Recent developments and future prospects in the treatment of visceral leishmaniasis. Therapeutic Advances in Infectious Disease, V. 3, N. 3–4, p. 98 – 109, 2016. 26 MUSA, A.; KHALIL, E.; HAILU, A.; OLOBO, J.; BALASEGARAM, M.; OMOLLO, R. et alli. Sodium stibogluconate (SSG) and paromomycin combination compared to SSG for visceral leishmaniasis in East Africa: a randomised controlled trial. PLoS Negl Tropical Diseases, V. 6, N. 6, p. e1674, 2012. 27 MARTIN, D. D.; BEAUCHAMP, E.; BERTHIAUME, L. G.; Post-translational myristoylation: Fat matters in cellular life and death. Biochimie, V. 93, N. 1, p. 18 - 31, 2011. 96 28 RODRIGUES, R. P.; MANTOANI, S. P.; ALMEIDA, J. R.; PINSETTA, F. R.; SEMIGHINI, E. P.; SILVA, V. B.; SILVA, C. H. P. Estratégias de Triagem Virtual no Planejamento de Fármacos. Revista Virtual Quimíca, V. 4, N. 6, p. 739 - 776, 2012. 29 SANT’ANNA, C. M. R. Métodos de modelagem molecular para estudo e planejamento de compostos bioativos: Uma introdução. Rev. Virtual de Química, V. 1, N. 1, p. 49 - 57, 2009. 30 OLIVEIRA, J.; S., Análise via aprendizado de máquinas do controle de reações químicas. Monografia (Bacharelado em Química). 72 f. Diadema: Universidade Federal de São Paulo, 2023. 31 BARBOSA, L. C. B.; SILVA, G. M.; FORTINI, R. M. Aprendizado de máquina e big data na descoberta de novos medicamentos: um mapeamento sistemático. Brazilian Journal of Development, V. 9, N. 8, p. 24562 - 24581, 2023. 32 MARTINS, J. P. A.; FERREIRA, M. M. C. QSAR modeling: um novo pacote computacional open source para gerar e validar modelos QSAR. Química Nova, V. 36, N. 4, p. 554 - 560, 2013. 33 PEREDA, P. C.; ALVES, D. Econometria Aplicada. Rio de Janeiro: Elsevier, pág. 207, 2018. 34 JONES, G.; WILLETT, P.; GLEN, R. C.; LEACH, A. R.; TAYLOR, R. Development and Validation of a Genetic Algorithm for Flexible docking. Journal of Molecular Biology, v. 267, n. 3, p. 727-748, 1997. 35 FERREIRA, R. S.; OLIVA, G.; ANDRICOPULO, A. D. Integração das técnicas de triagem virtual e triagem biológica automatizada em alta escala: oportunidades e desafios em PD de fármacos. Química Nova, V. 34, N. 10, p. 1770 - 1778, 2011. 36 BERMAN, H. M.; WESTBROOK, J.; FENG, Z.; GILLILAND, G.; BHAT, T. N.; WEISSIG, H.; SHINDYALOV, I. N.; BOURNE, P. E. The Protein Data Bank. Nucleic Acids Research, V. 28, N. 1, p. 235-242, 2000. 37 BRANNIGAN, J.A., SMITH, B.A., YU, Z., HODGKINSON, M.R., LEATHERBARROW, R.J., TATE, E.W., BRZOZOWSKI, A.M., SMITH, D.F., WILKINSON, A.J.. Structure of N-myristoyltransferase from L. donovani. Protein Data Bank (PDB), 2009. PDB DOI: https://doi.org/10.2210/pdb2wuu/pdb 38 HOPFINGER, A. J.; WANG, S.; TOKARSKI, J. S.; JIN, B.; Albuquerque, M. G.; MADHAV, P. J.; DURAISWAMI, C. Construction of 3D-QSAR models using the 4D-QSAR analysis formalism. Journal of the American Chemical Society, V. 119, N. 43, p. 10509 - 10524, 1997. 39 KIRALJ, R.; FERREIRA, M. M. C. Basic Validation Procedures for Regression Models in QSAR and QSPR Studies: Theory and Application. Journal of the Brazilian Chemical Society, V. 20, N. 4, p. 770 - 787, 2009. 40 BRUCE, P.; BRUCE, A. Prática para Cientistas de dados - 50 Conceitos Essenciais . Editora Alta Books, 1a edição, 2019. 41 FERREIRA, M. M. C. Multivariate QSAR. Journal of the Brazilian Chemical Society, v. 13, n. 6, p. 742-753, 2002. 42 GAUDIO, A. C.; ZANDONADE, E. Proposição, validação e análise dos modelos que correlacionam estrutura química e atividade biológica. Química Nova, v. 24, n. 5, p. 658-671, 2001. 43 LEATHERBARROW, Robin; TATE, Edwards; YU, Zhiyong; RACKHAM, Mark. Nobel Compounds and their use in therapy. WO 2013083991 Al. Reino Unido: World Intellectual Property Organization, 2013. 97 44 ROCHA, S. F. L. S.; OLANDA, C. G.; FOKOUE, H. H.; SANT’ANNA, C. M. R. Virtual screening techniques in drug discovery: review and recent applications. Current Topics in Medicinal Chemistry, v. 19, n. 19, p. 1751 - 1767, 2019. 45 ADENIJI, S.E.; UBA, S.; UZAIRU, A. QSAR modeling and molecular docking analysis of some active compounds against Mycobacterium tuberculosis Receptor (Mtb CYP121). Journal of Patogens, V. 2018. 46 Appendix A. A.1.6 pg 330, YOUNG, D. C. Computational Chemistry: A Practical Guide for Applying Techniques to Real World Problems. John Wiley Sons, 2001. 47 Cambridge Crystallographic Data Center (CCDC). Software GOLD,criado em 2022. Disponível em: <https://https://www.ccdc.cam.ac.uk/solutions/software/gold/>. Acesso em: 26 jul. 2023. 48 Wavefunction, Software SPARTAN, criado em 2020. Disponível em: <https://https://https://www.wavefun.com/>. Acesso em: 26 jul. 2023. 49 MORGANTINI, F. M.. Análise quimiométrica de seletividade nos sítios ativos de cisteíno proteases da família da papaína para o estudo de substâncias antiparasitárias e antineoplásicas. Instituto de Química de São Carlos da Universidade de São Paulo, 2021. 50 LEACH, A. R..Molecular Modelling: Principles and Applications, 2 nd ed. Englewood Cliffs: Prentice Hall, 2001. 51 VERLI, H.; BARREIRO, E. J. Um paradigma da química medicinal: a flexibilidade dos ligantes e receptores. Química Nova, v. 28, n. 1, p. 95 - 102, 2005. 52 Software GOLD - Genetic Optmization for Ligand Docagem (2022.3.0) disponibilizado pelo Cambridge Crystallographic Data Centre – CCDC https://www.ccdc.cam.ac.uk 53 ELDRIDGE, M. D.; Murray, C. W.; AUTON, T. R.; PAOLINI, G. V.; MEE, R. P. Empirical scoring functions: I. The development of a fast empirical scoring function to estimate the binding affinity of ligands in receptor complexes. Journal of Computer-Aided Molecular Design, v. 11, n. 5, p. 425–445, 1997. 54 MOOJI, W. T. M.; VERDONK, M. L. General and Targeted Statistical Potentials for Protein Ligand Interactions. PROTEINS: Structure, Function, and Bioinformatics, v. 61, n. 2, p. 272 - 287, 2005. 55 KORB, O.; STÜTZLE, T.; EXNER, T. E. Empirical Scoring Functions for Advanced Protein Ligand Docking with PLANTS. Journal of chemical information and modeling, v. 49, n. 1, p. 84–96, 2009. 56 R Core Team (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. <https://www.R-project.org/>. 57 Posit team. RStudio: Integrated Development Environment for R. Posit Software, 2023. Disponível em: <http://www.posit.co/>. Acesso: 01 jan. 2022. 58 VENABLES, W. N.; SMITH, D. M.; R Core Team. An Introduction to R. Notes on R: A Programming Environment for Data Analysis and Graphics Version 4.0.5 (2021-03-31) 59 WICKHAM, H.; BRYAN, J. (2023). readxl: Read Excel Files. R package version 1.4.2, https://CRAN.R-project.org/package=readxl. 60 WICKHAM, H. (2023). pryr: Tools for Computing on the Language. R package version 0.1.6, <https://CRAN.R-project.org/package=pryr>. 61 MEYER, D.; DIMITRIADOU, E.; HORNIK, K.; WEINGESSEL, A.; LEISCH, F. (2023). e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien. R package version 1.7-13, <https://CRAN.R-project.org/package=e1071>. 98 62 SCHLOERKE, B.; COOK, D.; LARMARANGE, J.; BRIATTE, F.; MARBACH, M.; THOEN, E.; ELBERG, A.; CROWLEY, J. (2021). GGally: Extension to ’ggplot2’. R package version 2.1.2, https://CRAN.R-project.org/package=GGally. 63 URBANE, S.; JOHNSON, K. (2022). tiff: Read and Write TIFF Images. R package version 0.1-11, https://CRAN.R-project.org/package=tiff. 64 KUHN, M. (2008). Building Predictive Models in R Using the caret Package. Journal of Statistical Software, 28(5), 1–26. https://doi.org/10.18637/jss.v028.i05. 65 WEI, T.; SIMKO, V. (2021). R package corrplot: Visualization of a Correlation Matrix (Version 0.92). https://github.com/taiyun/corrplot 66 ZEILEIS, A.; HOTHORN, T. (2002). Diagnostic Checking in Regression Relationships. R News 2(3), 7-10. URL https://CRAN.R-project.org/doc/Rnews/ 67 HEBBALI, A. (2020). olsrr: Tools for Building OLS Regression Models. R package version 0.5.3, https://CRAN.R-project.org/package=olsrr. 68 WICKHAM, H. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016. 69 WICKHAM, H.; VAUGHAN, D.; GIRLICH, M. (2023). tidyr: Tidy Messy Data. R package version 1.3.0, <https://CRAN.R-project.org/package=tidyr> . 70 AUGUIE, B. (2017). gridExtra: Miscellaneous Functions for "Grid" Graphics. R package version 2.3, <https://CRAN.R-project.org/package=gridExtra>. 71 FILZMOSER, P.; VARMUZA, K. (2017). chemometrics: Multivariate Sta- tistical Analysis in Chemometrics. R package version 1.4.2, <https://CRAN.R- project.org/package=chemometrics>. 72 TODOROV, V; FILZMOSER, P. (2009). An Object-Oriented Framework for Robust Multivariate Analysis. Journal of Statistical Software, 32(3), 1-47. URL <https://www.jstatsoft.org/article/view/v032i03/>. 73 LUMLEY, T.; Miller, A. (2020). leaps: Regression Subset Selection. R package version 3.1, <https://CRAN.R-project.org/package=leaps>. 74 FERNANDES, J. P. S.. Planejamento e síntese de compostos potencialmente ligantes dos receptores 5-HT2C e H4. Universidade de São Paulo - USP. São Paulo, 30 de novembro de 2013. 75 FOX, J.; WEISBERG, S. (2019). An R Companion to Applied Regression, Third edition. Sage, Thousand Oaks CA. <https://socialsciences.mcmaster.ca/jfox/Books/Companion/> 76 MITRA, I.; SAHA, A.; ROY, K. Chemometric QSAR modeling and in silico design of antioxidant NO donor phenols. Sci Pharm. V. 79, N. 1, p. 31 – 57, 2011. 77 REVELLE, W. (2023). psych: Procedures for Psychological, Psychometric, and Personality Research. Northwestern University. R package version 2.3.6, <https://CRAN.R- project.org/package=psych> 78 LE, S.; JOSSE, J.; HUSSON, F. (2008). FactoMineR: An R Package for Multivariate Analysis. Journal of Statistical Software, 25(1), 1-18. 10.18637/jss.v025.i01 79 LILAND, K.; MEVIK, B.; WEHRENS, R. (2023). pls: Partial Least Squares and Principal Component Regression. R package version 2.8-2, <https://CRAN.R-project.org/package=pls>. 80 MEHMOOD, T.; LILAND, K. H.; SNIPEN, L.; SÆBØ, S. (2012). A review of variable selection methods in Partial Least Squares Regression. Chemometrics and Intelligent Laboratory Systems 118, pp. 62-69. 99 81 KARATZOGLOU, A.; SMOLA, A.; HORNIK, K.; ZEILEIS, A. (2004). kernlab - An S4 Package for Kernel Methods in R. Journal of Statistical Software, 11 (9), 1-20. doi:10.18637/jss.v011.i09 <https://doi.org/10.18637/jss.v011.i09>. 82 ZOU, H.; HaASTIE, T. (2020). elasticnet: Elastic-Net for Sparse Estimation and Sparse PCA. R package version 1.3, <https://CRAN.R-project.org/package=elasticnet>. 83 FRITSCH, S.; GUENTHER, F.; WRIGHT, M. (2019). neuralnet: Training of Neural Networks. R package version 1.44.2, <https://CRAN.R-project.org/package=neuralnet>. 84 BERGMEIR, C.; BENITEZ, J. M. (2012). Neural Networks in R Using the Stuttgart Neural Network Simulator: RSNNS. Journal of Statistical Software, 46(7), 1-26. 85 LIAW, A.; WIENER, M. (2002). Classification and Regression by randomForest. R News 2 (3), 18–22. 86 BROWN, S. Measures of Shape: Skewness and Kurtosis. BrownMath.com, Atualização: 17/05/2022. Disponível em: https://brownmath.com/stat/shape.htm. Acesso: 15 dez. 2023. 87 KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, p. 31 - 33, 2013. 88 LEVINE, D. M.; STEPHAN, D. F.; SZABAT, K. A. Estatística: Teoria e aplicações usando o Microsoft Excel em Português, 7a ed. Rio de Janeiro: LTC, p. 1318, 2016. 89 WEHRENS, R. Chemometrics with R: Multivariate data analysis in the natural sciences and life Sciences. Heidelberg: Springer, 2011. 90 VARMUZA, K.; FILZMOSER, P. Introduction to multivariate statistical analysis in chemometrics. Boca Raton: CRC Press, 2009. 91 WICKLIN, R. Geometry of multivariate versus univariate outliers. SAS Blogs The DO Loop, 25 mar 2019. Disponível em: <https://blogs.sas.com/content/iml/2019/03/25/geometry- multivariate-univariate-outliers.html> 92 VAPNIK, V.N.. Statistical Learning Theory. John Wiley Sons, New York, 1998. 93 DARNAG R., MINAOUI B., FAKIR M.QSAR models for prediction study of HIV protease inhibitors using support vector machines, neural networks and multiple linear regression. Jornal Árabe de Química Volume 10, Suplemento 1, fevereiro de 2017 , páginas S600-S608. 94 BREIMAN L.; Random ForestKluwer Academic Publishers. Manufactured in The Netherlands Statistics Department, University of California, Berkeley, CA 94720, 2001. 95 UFF - Universidade Federal Fluminense - Material didático do curso de extensão “Introdução ao Machine Learning - oferecido pelo Laboratório de Estatística1 do Departamento de Estatística da Universidade Federal Fluminense, 2023. 96 WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probability Statistics for Engineers Scientists, 9 th ed. Boston: Pearson Education, 2012. 97 MONTGOMERY, D. C.; Peck, E. A.; VINING, G. G. Introduction to linear regression analysis, 5 th ed. Hoboken: John Wiley Sons,p.168, 2012. 98 GREENE, W. H. Econometric analysis, 6th ed. New Jersey: Pearson education, 2008. 99 FACELI, K.; LORENA, A. C.; GAMA, J.; ALMEIDA, T. A.; CARVALHO, A. C. P. L. F. Inteligência artificial: Uma abordagem de aprendizado de máquina, 2a ed. Rio de Janeiro: LTC, p.151, 2023. 100 IZBICKI, R.; SANTOS, T. M. Aprendizado de máquina: Uma abordagem estatística. São paulo, Editora UICLAP, 1 edição, pág. 14, 2020. 100 101 ASSUNÇÃO, J. V. C.. Uma breve introdução à mineração de dados: Bases para a ciência de dados, com exemplos em R. São Paulo: Novatec, pág. 185-18,2021. 102 POMERANTSEV, A. L.. Chemometrics in Excel. Hoboken: John Wiley Sons, pág. 161, 2014. 103 ROY, K.; KAR, S.; DAS, R. N. A primer on QSAR/QSPR modeling: Fundamental concepts. Springer, 2015 104 GUJARATI, D.N.; PORTER, D.C. Econometria Básica, 5a ed. Porto Alegre: AMGH, 2011. 105 MALBOUISSON, C.; TAVARES, G. F. Modelo de regressão linear clássico. Econometria na prática. Rio de Janeiro: Altabooks, p. 71, 2017. 106 RAMANATHAN, R.. Statistical methods in econometrics. San Diego: Academic Press, p. 281, 1993. 107 MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 2a ed. Rio de Janeiro: LTC, p. 460, 2003. 108 ZAIONTZ, C. Shapiro-Wilk Expanded Test. Real Statistics with Excel. Disponível em: <https://real-statistics.com/tests- normality-and-symmetry/statistical-tests-normality- symmetry/shapiro-wilk-expanded-test/>. Acesso: 25 dez. 2023 109 PEDACE, R. Econometrics for dummies. Hoboken: John Wiley Sons, 2013. 110 TODESCHINI, R.; CONSONNI, V.; GRAMATICA, P. Chemometrics in QSAR. In: BROWN, S. D. (editor) et al. Compreensive chemometrics: chemical and biochemical data analysis. Elsevier, 2009. 111 FERREIRA, M . M .c .; KIRALJ,R.. Métodos quimiométricos em relações quantitativas estrutura - atividade (QSAR), p. 387 - 454. In: Montanari C.A..Química Medicinal - Métodos e Fundamentos em Planejamento de Fármacos.Editora Universidade de São Paulo, 2019. 112 MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros, 7a ed. Rio de Janeiro: LTC, 2021. 113 CLEAR, J. All models are wrong, some are useful. James Clear. Disponível em: <https://jamesclear.com/all-models-are-wrong>. Acesso: 18 dez. 2022. 114 ROYSTON, J. P. An extension of shapiro and wilk’s w test for normality to large samples. Journal of the Royal Statistical Society - Series C (Applied Statistics), v. 31, N. 2, p. 115 – 224, 1982. 115 LATTIN, J.; CARROLL, J. D.; GREEN, P. E. Análise de dados multivariados. São Paulo: Cengage Learning, 2011. 116 Google. Colaboratory. Disponível em: <https://colab.research.google.com/notebooks/welcome.ipynb>. Acesso em: 02 mar., 2022. 117 StackOverflow. Developer Survey Results 2018. Disponível em: <https://insights.stackoverflow.com/survey/2018technology-most-loved-dreaded-and- wanted-languages>. Acesso em: 02 mar. 2022. 118 SINGH, P. quantitative structure-activity relationship study of substituted-[1,2,4] oxadiazoles as S1P1 agonists. Journal of Current Chemical Pharmaceutical Sciences, V. 3, N. 1, p. 64 - 79, 2013. 119 FRIEDMAN, J. H. Multivariate adaptive regression splines. The Annals of Statistics, V. 19, N. 1, p. 1 – 67, 1991. 101 120 LEE, C.; YANG, W., Parr, R. G. Development of the Colle-Salvetti correlation-energy formula into a functional of the electron density. Physical Review B, V. 37, N. 2, p. 785 – 789, 1988. 121 Secretaria da saúde. Leishmaniose Visceral. Disponível em: <https://saude.rs.gov.br/leishmanione-viscera>. Acesso em: 30 fev., 2022. 122 Ministério da saúde. Situação epidemiológica da Leishmaniose Visceral. Disponível em: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/l/leishmaniose-visceral/situacao- epidemiologica-da-leishmaniose-visceral. Acesso em: 28 fev., 2024. 123 SILVA, A. C. L; CARVALHO, B. F. C. O impacto da malária causada pelo Plasmodium vivax em crianças no Brasil. Research, Society and Development, v. 12, n. 11, p. 1 - 9, 2023. 124 Bressan C.; Brasil P.. Malária. Ciência Portal Fiocruz - Agência Fiocruz de Notícias do Instituto Nacional de Infectologia (INI/Fiocruz). Disponível em: < https://portal.fiocruz.br/doenca/malaria>. Acesso em: 04 nov. 2023. 125 PRICE, R. N.; DOUGLAS, N. M.; ANSTEY, N. M. New developments in Plasmodium vivax malaria: severe disease and the rise of chloroquine resistance. Current Opinion in Infectious Diseases, v. 22, N. 5, p. 430 - 435, 2009. 126 OBOH, M. A.; OYEBOLA, K. M.; IDOWUB, E. T.; BADIANE, A. S., OTUBANJO, O. A.; NDIAYE, D. Rising report of Plasmodium vivax in sub-Saharan Africa: Implications for malaria elimination agenda. Scientific African, V. 10, e00596, 2020. 127 ROSENBERG, R. Plasmodium vivax in Africa: hidden in plain sight? Trends in Parasitology, V. 23, N. 5, p. 193 - 196, 2007. 128 SILVA, I. N., Spatti, D. H., Flauzino, R. A, Liboni L. H. B. e Alves, S. F. R.. Artificial Neural Networks, A Practical Course ,Springer International Publishing Switzerland, 2017. DOI: 10.1007/978-3-319-43162-8. 129 SIMON S. HAYKIN, Redes Neurais, 2 edição, Bookman, 2001. 130 SOUZA, M., SILVA, A. T. R. e CARVALHO, R.L..Redes Neurais MLP Aplicadas na Previsão de Casos Confirmados de Covid-19 no Brasil,International Journal of Development Research, 2020. DOI: 10.37118/ijdr.20278.11.2020. 131 MCKINNEY W.; the Pandas Development TeamPANDAS: powerful Python data analysis, 2022. 132 Teetor, P.. R CookBook. Boca Raton: O’Reilly Media, 2011. 133 AZEVEDO, N. Desenvolvimento de modelos de predição de atividade inibitória sobre a DNA girase de micobactérias baseados em estudos de modelagem molecular. Orientador: Carlos Mauricio Sant’Anna. Dissertação (Mestrado em Modelagem Matemática e Computacional), Universidade Federal Rural do Rio de Janeiro, Rio de Janeiro, 2021. 134 GALVÃO, R. K. H.; ARAÚJO, M. C. U. Variable selection. In: Brown S. D., Tauler R., Walczak B.. Comprehensive chemometrics: chemical and biochemical data analysis. Elsevier, v. 3, p. 233 - 283, 2009. 135 KMENTA, J. Elementos de econometria. São Paulo: Atlas, 1978. 136 VENNERS, B. The making of Python: A conversation with Guido van Rossum, part I. ARTIMA, 13/01/2003. Disponível em: <https://www.artima.com/articles/the-making-of- python>. Acesso em: 02 mar., 2022. 137 LUNA, A. S. ; LIMA, I. C. A. ; HENRIQUES, C. A. ; ARAUJO, L. R. R. ; ROCHA, W. F. C. ; VERDAN, J. Prediction of fatty methyl esters and physical properties of soybean oil/biodiesel blends by near and mid-infrared spectra using data fusion strategy. Analytical Methods, p. 4808-4818, 2017. 102 138 WOLD, S.; JOHANSSON, E.; COCCHI, M. in: PLS: Partial Least Squares Projections to Latent Structures, 3D QSAR in drug design, 1, 1993, pp. 523–550. 139 CENTNER, V.; MASSART, D.; DE NOORD, O.; DE JONG, S.; VANDEGINSTE, B.; STERNA, C. Elimination of uninformative variables for multivariate calibration, Analytical Chemistry, v. 68, p. 3851 - 3858, 1996. 140 WANG, Z. X.; HE, Q. P.; WANG, J. Comparison of variable selection methods for PLS-based soft sensor modeling. Journal of Process Control, v. 26, p. 56 - 72, 2015 141 SOUZA, A. M.; BREITKREITZ, M. C.; FILGUEIRAS, P. R.; ROHWEDDER, J. J. R.; POPPI, R. J. Experimento didático de quimiometria para calibração multivariada na determinação de paracetamol em comprimidos comerciais utilizando espectroscopia no infravermelho próximo: um tutorial, parte II. Química Nova, V. 36, N. 7, p. 1057-1065, 2013. 142 HOERL, A. Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, v. 12, n. 1, p. 55 – 67, 1970. 143 Tibshirani, R. Regression Shrinkage and Selection via the lasso. Journal of the Royal Statistical Society Series B (Methodological), v. 58, n. 1, p. 267 – 288, 1996. 144 JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R. An introduction to statistical learning with applications in R. New York: Springer, 2013. 145 MONTGOMERY, D. C.; RUNGER, G. C. Applied statistics and probability for engineers, 3rd ed. New York: John Wiley & Sons, 2003. 146 MATSUO, T. O uso da regressão de cumeeira em experimentos agronômicos. Dissertação de mestrado. Piracicaba: ESALQ-USP, 1986. 105 f. 147 PIMENTEL, E. C. G.; QUEIROZ, S. A.; CARVALHEIRO, R.; FRIES, L. A. Estimativas de efeitos genéticos em bezerros cruzados por diferentes modelos e métodos de estimação. Revista Brasileira de Zootecnia, v. 35, n. 3, p. 1020-1027, 2006.pt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
dc.subject.cnpqCiência da Computaçãopt_BR
Appears in Collections:Mestrado em Modelagem Matemática e Computacional

Se for cadastrado no RIMA, poderá receber informações por email.
Se ainda não tem uma conta, cadastre-se aqui!

Files in This Item:
File Description SizeFormat 
Soraya de Oliveira Bandeira.pdf1.75 MBAdobe PDFThumbnail
View/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.