Predição de Mutagenicidade Ames - Aprendizado de Máquina

Predição de Mutagenicidade Ames

Descrição do Problema

Este projeto tem como objetivo desenvolver modelos preditivos baseados em Aprendizado de Máquina para classificar compostos químicos quanto à sua mutagenicidade segundo o teste de Ames. O teste de Ames é amplamente utilizado para avaliar o potencial mutagênico e cancerígeno de substâncias químicas.

Tarefa: Classificação binária (mutagênico/não-mutagênico)

Dataset: Ames Mutagenicity Dataset
Fonte: https://data.mendeley.com/datasets/ktc6gbfsbh/2
Referência: Martínez et al. (2022) - "Multi-Task Deep Neural Networks for Ames Mutagenicity Prediction"

Estrutura do Projeto

Machine-Learning/
│
├── data/                           # Dados do projeto
│   ├── raw/                        # Dados originais (não modificados)
│   │   ├── ames_mutagenicity_data.csv
│   │   └── README (1).txt         # Descrição do dataset original
│   └── processed/                  # Dados processados (gerados pelos notebooks)
│
├── notebooks/                      # Jupyter Notebooks (implementação principal)
│   ├── 01_exploratory_analysis.ipynb       # Análise Exploratória de Dados
│   ├── 02_data_preprocessing.ipynb         # Pré-processamento
│   └── 03_model_spotchecking.ipynb         # Spot-checking de algoritmos
│
├── results/                        # Resultados dos experimentos (gerados automaticamente)
│   ├── figures/                    # Gráficos e visualizações
│   │   ├── eda/                   # Figuras da EDA (figure_1.png, figure_2.png, figure_3.png)
│   │   └── models/                # Figuras de desempenho dos modelos
│   │       ├── models_comparison.png
│   │       ├── confusion_matrix_*.png
│   │       └── ranking_*.png
│   └── metrics/                    # Métricas de desempenho (CSV)
│       ├── eda_summary.txt
│       ├── preprocessing_summary.txt
│       ├── spot_checking_results.csv
│       └── test_results.csv
│
├── machine-learning-py3.13.5/      # Ambiente virtual (não versionado)
│
├── .gitignore                      # Arquivos ignorados pelo git
├── .vscode/settings.json           # Configurações do VS Code/Cursor
├── requirements.txt                # Dependências do projeto
└── README.md                       # Este arquivo

Objetivo do Trabalho

Realizar spot-checking de algoritmos de aprendizado supervisionado para classificação de mutagenicidade, incluindo:

1. Análise Exploratória dos Dados (EDA)

   • Caracterização do dataset
   • Análise de distribuições
   • Identificação de padrões e anomalias
   • Verificação de desbalanceamento de classes

2. Pré-processamento dos Dados

   • Tratamento de valores faltantes (se necessário)
   • Normalização/padronização de features
   • Seleção de features relevantes
   • Balanceamento de classes (se necessário)

3. Definição da Abordagem

   • Seleção de algoritmos diversificados (≥5)
   • Definição de métricas de avaliação
   • Escolha da estratégia de validação

4. Spot-checking de Algoritmos

   • Treinamento e avaliação dos modelos
   • Comparação de desempenho
   • Identificação dos 2-3 algoritmos mais promissores

Dataset

O dataset contém informações sobre compostos químicos avaliados pelo teste de Ames:

• Instâncias: 5,536 compostos (após pré-processamento)
• Features: 1,359 descritores moleculares numéricos (após remoção de metadados e features problemáticas)
• Target: Classes mutagênicas
  • 1 (mutagênico): 56.05% das amostras
  • -1 (não-mutagênico): 39.78% das amostras
  • 0 (indefinido): 4.17% das amostras (removido no pré-processamento)
• Características: Dataset de alta dimensionalidade, sem valores faltantes após limpeza, desbalanceamento moderado

Instalação e Configuração

Requisitos

• Python 3.8+ (recomendado: Python 3.13.5)
• pip
• Dataset: ames_mutagenicity_data.csv

⚠️ IMPORTANTE: Preparação do Dataset

Antes de executar os notebooks, certifique-se de que o dataset está na pasta correta:

1. Baixe o dataset de: https://data.mendeley.com/datasets/ktc6gbfsbh/2
2. Coloque o arquivo ames_mutagenicity_data.csv em: data/raw/

data/
└── raw/
    └── ames_mutagenicity_data.csv  ← O arquivo deve estar aqui!

Nota: O dataset não está versionado no Git devido ao seu tamanho Nota: O dataset não está incluído no ZIP de entrega devido ao limite de tamanho do Moodle (16 MB). Baixe-o do link acima e coloque na pasta data/raw/ antes de executar os notebooks.

Configuração do Ambiente Virtual (Recomendado)

Para isolar as dependências do projeto, crie e ative um ambiente virtual:

1. Criar ambiente virtual:

python -m venv machine-learning-py3.13.5

2. Ativar ambiente virtual:

• Windows:

machine-learning-py3.13.5\Scripts\activate

• Linux/Mac:

source machine-learning-py3.13.5/bin/activate

Instalação de Dependências

Com o ambiente virtual ativado:

pip install -r requirements.txt

Como Executar

Pré-requisitos

1. ✅ Dataset ames_mutagenicity_data.csv na pasta data/raw/
2. ✅ Ambiente virtual ativado
3. ✅ Dependências instaladas (pip install -r requirements.txt)

Opção 1: Usando Jupyter Notebooks (Recomendado)

1. Certifique-se de que o ambiente virtual está ativado
2. Inicie o Jupyter:

jupyter notebook

3. Selecione o kernel correto:

   • Kernel: machine-learning-py3.13.5 (Python 3.13.5)
   • No menu do Jupyter: Kernel → Change Kernel → machine-learning-py3.13.5

4. Execute os notebooks na ordem:

   • 01_exploratory_analysis.ipynb - Gera 3 figuras em results/figures/eda/
   • 02_data_preprocessing.ipynb - Gera dados processados e resumo
   • 03_model_spotchecking.ipynb - Treina 8 modelos, gera métricas e figuras

Nota: Todos os notebooks salvam automaticamente os resultados (figuras, métricas, matrizes de confusão) em results/.

Opção 2: Abrindo Diretamente no Cursor/VS Code

1. Abra a pasta do projeto no Cursor/VS Code
2. Selecione o interpretador Python correto:
   • Ctrl+Shift+P (Windows) ou Cmd+Shift+P (Mac)
   • Digite "Python: Select Interpreter"
   • Escolha: machine-learning-py3.13.5/Scripts/python.exe
3. Abra e execute os notebooks diretamente no editor

Algoritmos Testados (Spot-checking)

Foram testados 8 algoritmos diversificados, conforme a proposta de spot-checking:

1. Modelos Lineares

   • Logistic Regression
   • SVM Linear

2. Modelos Baseados em Árvores

   • Decision Tree
   • Random Forest

3. Modelos de Ensemble/Boosting

   • Gradient Boosting

4. Modelos Baseados em Instâncias

   • K-Nearest Neighbors (KNN)

5. Modelos Probabilísticos

   • Naive Bayes

6. Redes Neurais

   • MLP Neural Network

Resultados Obtidos (Top 3)

Com base no spot-checking realizado:

1. Gradient Boosting - F1: 99.77% (CV), 99.91% (teste)
2. Decision Tree - F1: 98.24% (CV), 99.46% (teste)
3. Random Forest - F1: 86.43% (CV), 85.94% (teste)

Para detalhes completos sobre a metodologia, resultados e análise, consulte o relatório PDF do trabalho.

Métricas de Avaliação

Para este problema de classificação multiclasse, foram utilizadas:

• Accuracy - Acurácia geral
• Precision - Precisão ponderada por classe (weighted average)
• Recall - Revocação ponderada por classe (weighted average)
• F1-Score - Métrica principal (weighted average)
• ROC-AUC - Área sob a curva ROC (One-vs-Rest, weighted average)

Métrica principal: F1-Score (balança precisão e revocação)

Estratégia de Validação

• Stratified K-Fold Cross-Validation (k=5)
• Holdout validation: 70/30 train/test split (estratificado)
• Random State fixo (42) para reprodutibilidade total
• Multiple runs via cross-validation para análise estatística robusta

Autores

• Everton Fritsch de Lima - 00334081
• João Carlos Eggers Fleck - 00332794
• Norberto Schossler De Nardin Teixeira - 00324730

Disciplina

• Curso: INF01017 - Aprendizado de Máquina
• Professora: Mariana Recamonde Mendoza
• Instituição: UFRGS - Instituto de Informática
• Semestre: 2026/1

Status do Projeto

✅ Trabalho Concluído - Spot-checking de algoritmos finalizado

Próximos passos:

• Otimização de hiperparâmetros dos modelos mais promissores
• Análise de importância de features
• Implementação de técnicas avançadas de ensemble

Licença

Este projeto é desenvolvido para fins acadêmicos.

Uso de Ferramentas de IA

Este projeto utilizou o modelo Claude Sonnet 4.5 (Anthropic) como suporte para:

• Refatoração arquitetural do repositório: Organização da estrutura de pastas e arquivos seguindo boas práticas de projetos de Machine Learning
• Estruturação inicial do código: Criação dos notebooks Jupyter com estrutura padronizada para EDA, pré-processamento e spot-checking de algoritmos
• Configuração do ambiente: Setup de dependências, ambiente virtual e configurações do projeto

Citação: Anthropic. (2026). Claude Sonnet 4.5 [Large language model]. https://claude.ai

A análise de dados, seleção e configuração dos algoritmos (scikit-learn), interpretação dos resultados e redação do relatório foram realizadas pelos autores.

Referências

Martínez, M.J., Sabando, M.V., Soto, A.J., Roca, C., Requena-Triguero, C., Campillo, N.E., Páez, J.A., & Ponzoni, I. (2022). Multi-Task Deep Neural Networks for Ames Mutagenicity Prediction. ChemRxiv. DOI: 10.26434/chemrxiv-2022-852tf

Dataset: https://data.mendeley.com/datasets/ktc6gbfsbh/2