Un enfoque de aprendizaje automático para modelar efectos de interacción: desarrollo y aplicación a la...

Área de la Ciencia:

• Química
• Ciencia de los datos
• Ingeniería Química

Sus antecedentes:

• El aprendizaje automático (ML) se utiliza cada vez más para conjuntos de datos de experimentación de alto rendimiento (HTE).
• El modelado de los efectos de interacción entre los componentes de la reacción en los datos de HTE con ML sigue siendo un desafío.
• Las características irrelevantes pueden impedir que los algoritmos de aprendizaje automático aprendan estos efectos cruciales de interacción.

Objetivo del estudio:

• Desarrollar un enfoque de modelado estadístico robusto para conjuntos de datos de HTE que capte efectivamente los efectos de la interacción.
• Mejorar la precisión y la interpretabilidad de los modelos para predecir los resultados de las reacciones.
• Facilitar la generación de nuevas hipótesis mecanicistas en la investigación química.

Principales métodos:

• Se propuso una estrategia de modelado estadístico en dos partes.
• Parte 1: Análisis clásico de la varianza (ANOVA) para identificar los efectos sistemáticos en el rendimiento de la reacción.
• Parte 2: Regresión de los efectos individuales utilizando características informadas por la química, ilustradas con un modelo aditivo generalizado (GAM).

Principales resultados:

• El método propuesto mejoró significativamente el rendimiento con respecto a un modelo forestal aleatorio en un conjunto de datos de desoxifluoración de alcohol.
• El error medio absoluto (MAE) se redujo del 18% al 13%.
• El error de la raíz media cuadrada (RMSE) disminuyó del 22% al 17% en un conjunto de validación.

Conclusiones:

• El enfoque estadístico desarrollado modela efectivamente los efectos de interacción en los datos HTE, superando los algoritmos ML comunes.
• Esta metodología mejora la interpretabilidad de los modelos de reacción química.
• El enfoque ayuda a generar hipótesis mecanicistas comprobables, profundizando en la comprensión de la reactividad química.