Desenvolvimento de métodos computacionais para construção de modelos de predição da atividade antibacteriana de óleos essenciais

A crescente resistência bacteriana aos antibióticos tem impulsionado a busca por alternativas terapêuticas eficazes e sustentáveis. Os óleos essenciais (OEs), metabólitos secundários de plantas, apresentam potencial antimicrobiano e vêm sendo estudados como agentes naturais contra patógenos resistentes. Este estudo teve como objetivo desenvolver métodos computacionais para a construção de modelos de predição da atividade antibacteriana de OEs da família Lamiaceae, utilizando abordagens de quimioinformática, aprendizado de máquina e estatística multivariada. A partir de uma revisão sistemática da literatura, foram coletados e organizados dados de cerca de 300 artigos científicos, estruturados em dois bancos de dados: (i) Banco de Composição Química, contendo informações sobre os constituintes dos OEs analisados, e (ii) Banco de Atividade Biológica, registrando ensaios antimicrobianos contra Staphylococcus aureus, um dos principais patógenos resistentes. Técnicas estatísticas foram aplicadas para a seleção de variáveis e identificação de padrões entre composição química e atividade antibacteriana. Na modelagem preditiva, foram testados algoritmos de aprendizado de máquina, incluindo Random Forest (RF), Redes Neurais Artificiais (RNA), Random Tree (RT), Naïve Bayes Tree (NBT) e J48 Decision Tree, sendo este último o mais eficaz, com 80,6% de acurácia na validação externa do modelo. Os resultados confirmam a aplicabilidade de modelos computacionais na predição da bioatividade de OEs, facilitando a seleção de compostos com potencial antimicrobiano. A integração entre quimioinformática e inteligência artificial otimiza a triagem de novos agentes terapêuticos, reduzindo tempo e custos experimentais, além de oferecer novas perspectivas para o combate à resistência antimicrobiana.