Modelagem e validação baseadas em inteligência artificial para previsão da capacidade de entrega de medicamentos e citotoxicidade no design de materiais porosos

As estruturas orgânicas metálicas (MOFs) atraíram atenção para a aplicação de entrega de medicamentos devido às suas propriedades porosas ordenadas. Otimizar tanto a capacidade de carregamento de medicamentos quanto a biocompatibilidade continua sendo um desafio complexo para os MOFs, pois esses indicadores de desempenho dependem de interações não lineares entre características estruturais, composicionais e físico-químicas. Neste estudo, foi desenvolvido um framework de aprendizado de conjunto explicável para prever a Capacidade de Carregamento de Medicamentos (g/g) e a Viabilidade Celular (%) de MOFs carregados com medicamentos, utilizando descritores estruturais curados e dados derivados experimentalmente. Um pipeline de pré-processamento estruturado—incluindo escalonamento robusto, controle de multicolinearidade, codificação orientada a alvos e análise exploratória de dimensionalidade—foi implementado antes do treinamento do modelo. Três algoritmos de gradiente de aumento, Árvores de Aumento de Gradiente (GBT), Aumento de Gradiente Extremo (XGBoost) e Aumento de Gradiente Baseado em Histograma (HGB), foram avaliados sistematicamente. Entre eles, o HGB demonstrou desempenho preditivo superior, alcançando valores R 2 de teste de 0,9924 para a capacidade de carregamento de medicamentos e 0,9987 para a viabilidade celular, com um gap de generalização mínimo entre os conjuntos de dados de treinamento e teste. Um estudo de ablação confirmou que o desempenho do modelo decorre da contribuição sinérgica das estratégias de pré-processamento e da arquitetura de aumento. Além disso, análises SHAP e LIME forneceram interpretabilidade global e local, revelando contribuições de características quimicamente significativas e aumentando a transparência do modelo. Os resultados demonstram que modelos explicáveis de aumento de gradiente podem capturar de forma confiável relações complexas estrutura-propriedade em sistemas de MOF, oferecendo uma ferramenta computacional robusta e interpretável para acelerar a otimização orientada por dados de plataformas de entrega de medicamentos, enquanto reduz a dependência de triagens experimentais extensivas.