Prediction of acute toxicity of pesticides for Americamysis bahia using linear and nonlinear QSTR modelling approaches.

Globally, pesticides are toxic substances with wide applications. However, the widespread use of pesticides has received increasing attention from regulatory agencies due to their various acute and chronic effects on multiple organisms. In this study, Quantitative Structure-Toxicity Relationship (QSTR) models were established using Multiple Linear Regression (MLR) and five Machine Learning (ML) algorithms to predict pesticide toxicity in Americamysis bahia. The most influential descriptors included in the MLR model are RBF, JGI2, nCbH, nRCOOR, nRSR, nPO4 and 'Cl-090', with positive contributions to the dependent variable (negative decimal logarithm of median lethal concentration at 96-h). The Random Forest (RF) regression model was superior amongst the five ML models. We observed higher values of R2 (0.812) and lower values of RMSE (0.595) and MAE (0.462) in the cross-validation training set and external validation set. Similarly, this study had a high level of fitness and was internally robust and externally predictive compared to models presented in similar studies. The results suggest that the developed QSTR models are suitable for reliably predicting the aquatic toxicity of structurally diverse pesticides and can be used for screening, prioritising new pesticides, filling data gaps and overcoming the limitations of in vivo and in vitro tests.

Beyond model interpretability using LDA and decision trees for α-amylase and α-glucosidase inhibitor classification studies.

In this report are used two data sets involving the main antidiabetic enzyme targets α-amylase and α-glucosidase. The prediction of α-amylase and α-glucosidase inhibitory activity as antidiabetic is carried out using LDA and classification trees (CT). A large data set of 640 compounds for α-amylase and 1546 compounds in the case of α-glucosidase are selected to develop the tree model. In the case of CT-J48 have the better classification model performances for both targets with values above 80%-90% for the training and prediction sets, correspondingly. The best model shows an accuracy higher than 95% for training set; the model was also validated using 10-fold cross-validation procedure and through a test set achieving accuracy values of 85.32% and 86.80%, correspondingly. Additionally, the obtained model is compared with other approaches previously published in the international literature showing better results. Finally, we can say that the present results provided a double-target approach for increasing the estimation of antidiabetic chemicals identification aimed by double-way workflow in virtual screening pipelines.

Uso de optimización de mallas variables para el "viajante de comercio" / Use of Variable Meshes Optimization for the "Traveler of Commerce" / Uso da Otimização de Malhas Variáveis para o "Viajante do Comércio"

Resumen Introducción:. En este trabajo se presenta una propuesta para aplicar la meta-heurística Optimización Basada en Mallas Variables (VMO) al problema discreto del Viajero Vendedor (TSP); este modelo explora el espacio de búsqueda a Objetivo partir de una población de soluciones llamada malla que se expande y contrae con la finalidad de encontrar soluciones de buena calidad. En este contexto se modifica el operador de expansión de manera tal que sea aplicable en un dominio discreto, realizando combinaciones entre las soluciones a fin de obtener nuevos nodos. Otro de los elementos que se modifica es el operador de clearing, el cual se encarga de mantener la diversidad de la malla en cada interacción. Metodología: Se resume en este trabajo un estudio de parámetros del modelo VMO utilizando un conjunto de instancias de TSP con diferentes características; además, se puede observar que la propuesta de este trabajo obtiene Resultados: competitivos al compararlos con otros algoritmos de referencia internacional mencionado en el estado del arte. El trabajo está estructurado de la siguiente manera: En el apartado 1 se describe los aspectos fundamentales de problema de estudio TSP. Seguidamente en el segundo se explica el funcionamiento general de VMO, en el tercero se define cada uno de los operadores de expansión y contracción para el problema de estudio. Posteriormente en el apartado cuarto se realiza un estudio de parámetros de la propuesta y un análisis comparativo experimental con los resultados obtenidos con otros algoritmos mencionado en el estado del arte. Conclusiones: Se aplicaron otros operadores de generación de nuevos nodos en el proceso de expansión, donde se realiza una combinación de soluciones de manera que cumpla con las restricciones impuestas por el problema.

Abstract Introduction: This paper presents a proposal to apply the meta-heuristic Optimization Based on Variable Meshes (VMO) to the discreet problem of the Traveler Seller (TSP); This model explores the search space to Objective from a population of solutions called mesh that expands and contracts in order to find good quality solutions. In this context, the expansion operator is modified in such a way that it is applicable in a discrete domain, making combinations among the solutions in order to obtain new nodes. Another element that is modified is the clearing operator, which is responsible for maintaining the diversity of the mesh in each interaction. Methodology: A study of VMO model parameters is summarized in this paper, using a set of TSP instances with different characteristics; In addition, it can be observed that the proposal of this work obtains competitive results when compared with other international reference algorithms mentioned in the state of the art. The work is structured as follows: Section 1 describes the fundamental aspects of the TSP study problem. Then, in the second, the general functioning of VMO is explained, in the third one, each of the expansion and contraction operators is defined for the study problem. Later in the fourth section a study of the parameters of the proposal and an experimental comparative analysis with the results obtained with other algorithms mentioned in the state of the art is made. Conclusions: Other operators of generation of new nodes were applied in the expansion process, where a combination of solutions is made in order to comply with the restrictions imposed by the problem.

Resumo Introdução: Este artigo apresenta uma proposta para aplicar a Otimização meta-heurística Baseada em Malhas Variáveis (VMO) ao problema discreto do Vendedor Vendedor (TSP); Esse modelo explora o espaço de pesquisa para o Objective a partir de uma população de soluções chamada malha que se expande e se contrai para encontrar soluções de boa qualidade. Neste contexto, o operador de expansão é modificado de tal maneira que é aplicável em um domínio discreto, fazendo combinações entre as soluções para obter novos nós. Outro elemento que é modificado é o operador de limpeza, que é responsável por manter a diversidade da malha em cada interação. Metodologia: Um estudo dos parâmetros do modelo VMO é resumido neste artigo, usando um conjunto de instâncias do TSP com diferentes características; Além disso, pode-se observar que a proposta deste trabalho obtém resultados competitivos quando comparados com outros algoritmos de referência internacionais mencionados no estado da arte. O trabalho está estruturado da seguinte forma: a seção 1 descreve os aspectos fundamentais do problema do estudo TSP. Então, no segundo, o funcionamento geral do VMO é explicado, no terceiro, cada operador de expansão e contração é definido para o problema do estudo. Posteriormente na quarta seção é feito um estudo dos parâmetros da proposta e uma análise comparativa experimental com os resultados obtidos com outros algoritmos mencionados no estado da arte. Conclusões: Outros operadores de geração de novos nós foram aplicados no processo de expansão, onde uma combinação de soluções é feita a fim de cumprir as restrições impostas pelo problema.

Algoritmos meta heurísticos para el aprendizaje de redes bayesianas / Meta-heuristic algorithms for the learning of bayesian networks / Algoritmos meta heurísticos para a aprendizagem de redes bayesianas

Resumen Introducción: Con este artículo se pretende obtener modelos basados en análisis probabilísticos de casos para la ayuda a la toma de decisiones en la educación y aprendizaje de los estudiantes de la UTEQ. Para la obtención del producto final, se ha distribuido el proceso de desarrollo en varias etapas. Objetivo: Crear un modelo probabilístico para evaluar y diagnosticar a los estudiantes en función de un conjunto de características, las mismas que deberán ser aprendidas de forma automática mediante una generalización del modelo AutoClass permitiendo la existencia de variables ocultas, cada una de ellas afectando a un conjunto distinto de variables observables (respuestas de los alumnos a cuestiones planteadas por un sistema automático de aprendizaje). Materiales y Métodos: Nuestro estudio se llevará a cabo para para definir otra forma de aprendizaje estructural basado en la búsqueda de estructuras a través de modelos meta-heurísticas evolutivas. Resultados: Este modelo permitirá a las autoridades de la UTEQ determinar inconvenientes y contratiempos en el proceso de enseñanza aprendizaje. A la vez los resultados obtenidos permitirán una toma de decisiones inmediata para solucionar los problemas detectados y de esta manera cumplir con la misión institucional de formar profesionales con visión científica y humanista capaces de desarrollar investigaciones, crear tecnologías, mantener y difundir nuestros saberes y culturas ancestrales, para la construcción de soluciones a los problemas de la región y el país. Conclusiones: se optimización de malla variable (VMO) metaheurístico al aprendizaje estructural de los clasificadores de redes bayesianas (BVMO).

Abstract Introduction: This article aims to obtain models based on probabilistic case analysis to help decision-making in the education and learning of UTEQ students. To obtain the final product, the development process has been distributed in several stages. Objective: To create a probabilistic model to evaluate and diagnose students based on a set of characteristics, which must be learned automatically through a generalization of the AutoClass model allowing the existence of hidden variables, each of them affecting a set different from observable variables (students' answers to questions raised by an automatic learning system). Materials and methods: Our study will be carried out to define another form of structural learning based on the search of structures through evolutionary meta-heuristic models. Results: This model will allow the authorities of the UTEQ to identify inconveniences and setbacks in the teaching-learning process. At the same time, the results obtained will allow immediate decision-making to solve the problems detected and thus fulfill the institutional mission of training professionals with a scientific and humanistic vision capable of developing research, creating technologies, maintaining and disseminating our ancestral knowledge and culture, for the construction of solutions to the problems of the region and the country. Conclusions: were metaheuristic variable mesh optimization (VMO) to structural learning of Bayesian network classifiers (BVMO).

Resumo Introdução: O objetivo deste artigo é obter modelos baseados em análise probabilística de casos para auxiliar na tomada de decisões na educação e aprendizagem de alunos da UTEQ. Para obter o produto final, o processo de desenvolvimento foi distribuído em várias etapas. Objetivo: Para criar um modelo probabilístico para avaliar e diagnosticar alunos com base em um conjunto de características, o mesmo que deve ser aprendido automaticamente por um generalização do modelo AutoClass permitindo a existência de variáveis ocultas, cada afetando um todo diferente das variáveis observáveis (respostas dos alunos às questões levantadas por um sistema automático de aprendizagem). Materiais e métodos: Nosso estudo será realizado para definir outra forma de aprendizagem estrutural baseada na busca de estruturas através de modelos meta-heurísticos evolutivos. Resultados: Este modelo permitirá que as autoridades da UTEQ identifiquem inconveniências e retrocessos no processo de ensino-aprendizagem. Embora os resultados permitirá tomar decisões imediatas para resolver os problemas identificados e, assim, cumprir a missão institucional de formar profissionais com visão científica e humanística capaz de desenvolver a investigação, desenvolver tecnologias, manter e disseminar o nosso conhecimento e ancestrais culturas , para a construção de soluções para os problemas da região e do país. As conclusões: adaptaram a otimização da malha metaheurística variável (VMO) para a aprendizagem estrutural de classificadores de redes bayesianas (BVMO).