A carregar...
Publicação
The application of active learning methodologies in the description of the salt effect on the solubility of amino acids
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.57 MB | Adobe PDF |
Autores
Resumo(s)
In aqueous solutions containing electrolytes, ions influence both the solubility and the stability of biomolecules. However, inconsistencies across published data highlight the need for a critical review. To address this, a database was constructed on the solubility of glycine in electrolyte solutions spanning from 1996 to 2024, and the experimental data were critically evaluated. Gaussian Process (GP) models were implemented to analyze, predict, and validate solubility behavior. The GP model successfully captures salting-in and salting-out trends, along with specific ion effects reported in the literature. It also provides predictive uncertainty estimates that help identify potentially inconsistent data points or sets. This uncertainty-based analysis enables the reconciliation of conflicting datasets and helps prioritize new experimental measurements in regions where data are sparse or less reliable. By applying a data-filtering method that removes experimental points falling outside the uncertainty range of the model, the influence of inconsistent values is reduced. This results in a more robust model fit and improved prediction accuracy. Therefore, the GP establishes a quantitative foundation for consolidating the current knowledge on the solubility of glycine in saline solutions, identifying methodological inconsistencies in the literature.
Em soluções aquosas contendo eletrólitos, os íons influenciam tanto a solubilidade quanto a estabilidade de biomoléculas. No entanto, inconsistências entre dados publicados evidenciam a necessidade de uma revisão crítica. Para abordar essa questão, foi construída uma base de dados sobre a solubilidade da glicina em soluções eletrolíticas abrangendo o período de 1996 a 2024, e os dados experimentais foram avaliados criticamente. Modelos de Processo Gaussiano (GP) foram implementados para analisar, prever e validar o comportamento da solubilidade. O modelo GP captura com sucesso as tendências de salting-in e salting-out, juntamente com os efeitos específicos dos íons relatados na literatura. Ele também fornece estimativas de incerteza preditiva que auxiliam na identificação de pontos ou conjuntos de dados potencialmente inconsistentes. Essa análise baseada em incerteza permite a reconciliação de conjuntos de dados conflitantes e ajuda a priorizar novas medições experimentais em regiões onde os dados são escassos ou menos confiáveis. Ao aplicar um método de filtragem de dados que remove pontos experimentais que se encontram fora da faixa de incerteza do modelo, a influência de valores inconsistentes é reduzida. Isso resulta em um ajuste de modelo mais robusto e em uma melhoria da precisão das previsões. Portanto, o GP estabelece uma base quantitativa para consolidar o conhecimento atual sobre a solubilidade da glicina em soluções salinas, identificando inconsistências metodológicas na literatura.
Em soluções aquosas contendo eletrólitos, os íons influenciam tanto a solubilidade quanto a estabilidade de biomoléculas. No entanto, inconsistências entre dados publicados evidenciam a necessidade de uma revisão crítica. Para abordar essa questão, foi construída uma base de dados sobre a solubilidade da glicina em soluções eletrolíticas abrangendo o período de 1996 a 2024, e os dados experimentais foram avaliados criticamente. Modelos de Processo Gaussiano (GP) foram implementados para analisar, prever e validar o comportamento da solubilidade. O modelo GP captura com sucesso as tendências de salting-in e salting-out, juntamente com os efeitos específicos dos íons relatados na literatura. Ele também fornece estimativas de incerteza preditiva que auxiliam na identificação de pontos ou conjuntos de dados potencialmente inconsistentes. Essa análise baseada em incerteza permite a reconciliação de conjuntos de dados conflitantes e ajuda a priorizar novas medições experimentais em regiões onde os dados são escassos ou menos confiáveis. Ao aplicar um método de filtragem de dados que remove pontos experimentais que se encontram fora da faixa de incerteza do modelo, a influência de valores inconsistentes é reduzida. Isso resulta em um ajuste de modelo mais robusto e em uma melhoria da precisão das previsões. Portanto, o GP estabelece uma base quantitativa para consolidar o conhecimento atual sobre a solubilidade da glicina em soluções salinas, identificando inconsistências metodológicas na literatura.
Descrição
Palavras-chave
Electrolyte solutions Solubility Gaussian process Uncertainty Data reliability