Resumen

La predicción de las propiedades dinámicas de absorción de agua en las bibliotecas de polímeros puede acelerar la selección de polímeros para una aplicación específica. Primero construimos modelos semiempíricos utilizando redes neuronales artificiales y todos los datos de absorción de agua, como entrada individual. Estos modelos ofrecen muy buenas correlaciones (R2>0,78 para el conjunto de pruebas) pero una precisión muy baja en los conjuntos de validación cruzada (menos del 19% de los puntos experimentales dentro del error experimental). En cambio, utilizando parámetros consolidados como la absorción de agua en equilibrio se obtiene un buen modelo (R2=0,78 para el conjunto de pruebas), con predicciones precisas para el 50% de los polímeros probados. El modelo semiempírico se aplicó a la biblioteca de 56 polímeros de poliarilatos derivados de la L-tirosina, identificando grupos de polímeros que probablemente satisfagan los criterios de diseño para la captación de agua. Esta investigación demuestra que un esfuerzo de modelado sustitutivo puede reducir el número de polímeros que deben sintetizarse y caracterizarse para identificar un polímero apropiado que cumpla ciertos criterios de rendimiento.

• Materias:Biopolímeros Nanopartículas Biomateriales Técnica In Vitro Ingeniería de tejidos
• Subjects:Biopolymers Nanoparticles Biomaterials In Vitro Technique Tissue engineering
• Palabras claves:modelo semiempírico, esfuerzo de modelado sustitutivo, red neuronal artificial, determinados criterios de rendimiento, número de polímeros, grupo de polímeros, propiedad del agua, poliarilatos derivados, datos de captación, agua en equilibrio
• Keywords:semiempirical model, surrogate modeling effort, artificial neural network, certain performance criteria, number of polymer, group of polymer, property of water, derived polyarylates, uptake data, equilibrium water