| Título: | L-eaves : rede neural artificial MLP especialista na predição do perfil físico-químico de nanopartículas lipídicas sólidas usadas no tratamento de câncer |
| Autor(es): | Marinho, David Dobkowski |
| Orientador(es): | Brasil, Lourdes Mattos |
| Coorientador(es): | Longo, João Paulo Figueiró |
| Assunto: | Câncer - tratamento
Nanopartículas
Redes neurais (Computação) |
| Data de apresentação: | 27-Jul-2017 |
| Data de publicação: | 30-Mai-2018 |
| Referência: | MARINHO, David Dobkowski. L-eaves: rede neural artificial MLP especialista na predição do perfil físico-químico de nanopartículas lipídicas sólidas usadas no tratamento de câncer. 2017. 81 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2017. |
| Resumo: | A Rede Neural Artificial L-eaves criado nesta monografia abre a possibilidade de simulação de qualquer processo industrial que exija gastos com insumos, recursos humanos, e outros derivados, em formulações diversas, sendo uma solução de contorno bem quista pela sua versatilidade e custo-benefício agregado. Além da redução de tais fatores, há a possibilidade de redução do tempo gasto com pesquisa e produção de inovação. Neste intuito, com foco na produção de Nanopartículas Lipídicas Sólidas, aplicadas com veemência no tratamento clínico de neoplasias, foi criada esta possibilidade de simulação. O intuito foi comprovar que há como reproduzir o perfil físico-químico final do preparo de nanopartículas, para reduzir todas as formas de gastos no processo de inovação e testes no setor industrial ou outro que convenha. Nesta vertente foi criado todo o protótipo de rede neural artificial Multilayer Perceptron com algoritmo Back-Propagation, adaptada com o auxílio de especialistas na produção de nanopartículas. Reproduzindo via simulação todo o processo de preparação real final da nanopartícula com precisão aceitável. Há possibilidade então, para a otimização da pesquisa na área industrial de fármacos, uma vez que a L-eaves foi criada de forma genérica, de forma que possam existir outras aplicações com diferentes entradas e saídas desejadas. A Rede Neural Artificial L-eaves foi ainda embasada por dinâmicas de análise dos riscos durante sua concepção, de forma a assegurar maior confiabilidade na previsão do perfil físico-químico, sendo então um produto promissor à Indústria Farmacêutica. |
| Abstract: | The Artificial Neural Network L-eaves created in this monograph opens a possibility of simulation of any industrial process that requires expenditures with inputs, human resources and other derivatives, in diverse formulas, being a contour solution well for its own versatility and cost-benefit aggregate. Besides the reduction of factors, there is a possibility of reducing the time spent with research and innovation production. In this sense, focusing on the production of Solid Lipid Nanoparticles, applied with vehemence without clinical treatment of neoplasias, was created in this possibility of simulation. The intention was to prove that there is a way to reproduce the final physical-chemical profile of the preparation of nanoparticles, to reduce all forms of spending in the process of innovation and testing in the industrial sector or other that suits. In this section, the entire prototype Multilayer Perceptron artificial neural network was created with Back-Propagation algorithm, adapted with the help of specialists in the production of nanoparticles. Reproducing via simulation the entire final real preparation process of the nanoparticle with acceptable accuracy. There is an offer, therefore, for an optimization of research in the industrial area of pharmaceuticals, since it is an L-eaves was created in a generic way, so that it is a possibility other applications with different inputs and outputs desired. The Artificial Neural Network L-eaves was also based on dynamics of risk analysis during its design, so that the company had greater reliability in the prediction of the physical-chemical profile, being a promising product to the Pharmaceutical Industry. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2017. |
| Aparece na Coleção: | Engenharia Eletrônica
|
