Redes Neuronais Artificiais
Referência : Latino, D., (2015) Redes Neuronais Artificiais, Rev. Ciência Elem., V3(1):084
Autores: Diogo Latino
Editor: Fernando Manuel Sebastião Silva Fernandes
DOI: [http://doi.org/10.24927/rce2015.084]
[editar] Redes Neuronais Artificiais em Química
[editar] Rede Neuronal Artificial
Uma rede neuronal artificial, muitas vezes designada apenas por rede neuronal, é um modelo matemático que tem como inspiração as redes neuronais biológicas.
Uma rede neuronal artificial consiste num conjunto de neurónios artificiais ligados entre si e que são capazes de processar informação. A rede recebe sinais, inputs, que passam pelas ligações e são distribuídos, transformados e eventualmente reunidos para produzir respostas, outputs.
Os neurónios artificiais assim como as redes neuronais tentam simular a função dos neurónios biológicos. Um neurónio artificial recebe um ou mais sinais de entrada, inputs, processa essa informação e produz uma resposta, output. Geralmente aos inputs é aplicado um peso, os sinais resultantes são posteriormente somados e à soma resultante é aplicada uma função não linear, chamada de função transferência, sendo assim gerado o output. A Figura 1 mostra a estrutura do neurónio artificial.
Resta agora responder à questão de como é feita a aprendizagem. Os avanços científicos na área da neurofisiologia permitiram uma melhor compreensão da anatomia e funcionamento do cérebro humano tendo contribuído para o desenvolvimento de modelos matemáticos e algoritmos que tentam simular a forma como o cérebro processa a informação. Apesar da dificuldade de reproduzir o comportamento do cérebro, visto que o conhecimento sobre o seu funcionamento é ainda apenas parcial, sabe-se que é a força sináptica que determina a intensidade do sinal que é transmitido entre neurónios. A adaptação da força sináptica a um problema em particular constitui a essência da aprendizagem.
Uma rede neuronal artificial tem a capacidade de aprender com a informação que lhe é fornecida e de melhorar a sua performance durante o processo de aprendizagem - aprende por um processo iterativo de ajuste das forças sinápticas (pesos). É capaz, a cada iteração do processo de aprendizagem, de aperfeiçoar a sua representação e compreensão do problema em questão, ou seja, aprende por treino e experiência segundo certas regras pré-definidas. Ao conjunto de regras pré-definidas pelo qual se faz a alteração dos pesos dá-se o nome de algoritmo de aprendizagem. Existem diversos algoritmos de aprendizagem que diferem entre si na forma como os pesos são corrigidos e da estrutura da rede. A Figura 2 mostra de uma forma geral a arquitetura de uma rede neuronal artificial e ilustra o processo de aprendizagem (correção dos pesos) numa rede de feed-forward.
Uma entrada que descreva em maior detalhe a estrutura e função do neurónio artificial, estrutura da rede neuronal, vários algoritmos de aprendizagem e tipos de redes neuronais irá ser apresentada no futuro.
[editar] Redes Neuronais em Química
As redes neuronais são utilizadas em química na resolução dos mais diversos problemas desde os mais simples até à modelação de relações complexas não lineares entre o input e o output podendo ser utilizadas em problemas de classificação, regressão, mapeamento e clustering.
Um problema relevante em Química relacionado igualmente com outras áreas diz respeito à obtenção de compostos com uma determinada propriedade ou atividade. O objectivo é estabelecer relações estrutura-propriedade ou estrutura-atividade (em inglês Structure-Property Relationships, SPR, e Structure-Activity Relationships, SAR, respectivamente) ou mesmo quantificar essas relações em relações quantitativas estrutura-atividade e relações quantitativas estrutura-propriedade (em inglês Quantitative Structure-Property Relationships, QSPR, e Quantitative Structure-Activity Relationships, QSAR).
Tais relações permitem prever determinada propriedade/atividade a partir da fórmula estrutural do composto. Para um conjunto de compostos que se saiba à partida o valor da propriedade/atividade são calculados a partir da estrutura molecular descritores moleculares do composto. O par descritores moleculares - propriedade/atividade, para cada objecto do conjunto de treino, é usado pela rede neuronal para aprender a relação. Após o processo de aprendizagem a rede é capaz de fazer previsões para compostos cuja valor da propriedade/atividade desejada é desconhecido. Tal pode ser usado para o desenho de novos fármacos com uma atividade especifica.
Outro exemplo de uma aplicação relevante é o caso da elucidação estrutural - obter a estrutura molecular de um composto desconhecido a partir de informação espectroscópica (essencialmente espectroscopia de infravermelho, ressonância magnética nuclear e espectrometria de massa) e em sentido inverso a previsão de espectros a partir da estrutura molecular. O desenho de sínteses e planeamento de reações químicas é outra área onde a investigação utilizando redes neuronais tem sido capaz de dar o seu contributo na resolução dos mais variados problemas.
A classificação de reações químicas é outro campo que atraiu recentemente muita atenção devido à importância crescente das reações metabólicas, reatividade química em toxicologia e química medicinal .
Em Química Analítica as redes neuronais têm sido utilizadas nas mais variadas aplicações de classificação de amostras, desde a classificação em termos da origem geográfico da origem da amostra (azeites, vinhos, petróleos etc), a origem da produção, a qualidade da amostra etc.
Bibliografia
[1] http://joao.airesdesousa.com/agregacao/
[2] J. Zupan and J. Gasteiger. Neural Networks in Chemistry and Drug Design. Wiley- VCH, Weinheim, 1999.
[3] Chemoinformatics in Drug Discovery. Methods and Principles in Medicinal Chemistry. T. I. Oprea (Ed.). Wiley-VCH, Weinheim, 2005, Vol. 23.
[4] Encyclopedia of Computational Chemistry. P. R. Schleyer, N. L. Allinger, T. Clark, J. Gasteiger, P. A. Kollman, H. F. Schaefer III, and P. R. Schreiner (Eds.). John Wiley & Sons, Chichester, 1999, Vol. 1, 3 and 4.
[5] Chemoinformatics: A Textbook. J. Gasteiger and T. Engel (Eds.). Wiley-VCH, New York, 2003.
[6] Handbook of Chemoinformatics: From Data to Knowledge. J. Gasteiger and T. Engel (Eds.). Wiley-VCH, New York, 2003, Vol. 3.
[7] Cheminformatics Developments - History, Reviews and Current Research. J. H. Noordik (Ed.). IOS Press, Amsterdam, 2004, pp 83-110.)
Criada em 21 de Julho de 2014
Revista em 21 de Julho de 2014
Aceite pelo editor em 26 de Julho de 2014
