Aplicación del aprendizaje automático para la predicción de los tiempos de retención de pesticidas medidos en cromatografía líquida de fluidos supercríticos en muestras de espinacas

Abstract

En este estudio se ha desarrollado un modelo basado en las relaciones cuantitativas estructura- propiedad (QSPR) para una base de datos de 375 pesticidas identificados en muestras de espinacas. Las moléculas en la base de datos fueron curadas bajo diversos criterios. La propiedad experimental es el tiempo de retención (tR) medido mediante cromatografía líquida de fluidos supercríticos (SFC). Los compuestos fueron representados por descriptores moleculares independientes de la conformación, los cuales fueron analizados mediante el método no supervisado W-VSP. Los descriptores restantes se usaron para calibrar diversos modelos de mínimos cuadrados ordinarios (OLS) acoplados con el método de remplazo (RM) para la selección supervisada de variables. Se obtuvo un modelo QSPR predictivo con 6 descriptores, el cual fue validado mediante técnicas internas y externas. Adicionalmente, se estableció el dominio de aplicabilidad del mismo y se proporciono los mecanismos de acción para cada descriptor molecular.