Predição de pKa em Solução através de Relações de Energia Livre e Aprendizado de Máquina
pKa, Relações de energia livre, Aprendizado de máquina, Química computacional, Solvatação
Esta tese apresenta o desenvolvimento e a validação de um protocolo computacional para a predição do potencial de acidez (pKa) em solução, combinando Relações de Energia Livre (FER), métodos quânticos de baixo custo e Aprendizado de Máquina. O objetivo central é reduzir a dependência de procedimentos experimentais onerosos, buscando um equilíbrio entre viabilidade computacional e precisão química. A metodologia fundamenta-se na utilização do método semiempírico moderno GFN2-xTB associado ao modelo de solvatação implícita SMD. Para compensar erros sistemáticos inerentes ao nível teórico empregado, foi implementado um termo de correção energética (Emod), que ajusta as energias de dissociação semiempíricas para níveis de referência de Teoria do Funcional de Densidade (DFT) com o funcional r2SCAN-3c. Os resultados, validados no conjunto de benchmark PKA74 (que abrange 74 unidades de pKa), demonstram que a aplicação da correção Emod melhora significativamente a capacidade preditiva, reduzindo o desvio médio absoluto (MAD) de 3,34 para 2,86 unidades no ajuste linear. A pesquisa revelou que, para o modelo de solvatação SMD, um ajuste linear (LFER) é suficiente e mais robusto do que ordens polinomiais superiores, evitando o risco de sobreajuste (overfitting). A análise por classe de ácidos mostrou que sistemas OH apresentam os menores desvios, enquanto a classe CH permanece a mais desafiadora. As etapas futuras do trabalho preveem a aplicação de algoritmos de aprendizado de máquina, como Random Forest e XGBoost, e o desenvolvimento de uma ferramenta acessível via biblioteca Streamlit para uso da comunidade química.