Ingeniero en Alimentos

Este trabajo desarrolló un modelo predictivo in silico para el umbral de olor de 176 compuestos orgánicos volátiles (VOCs) basado en una relación cuantitativa estructura-propiedad (QSPR). Las moléculas se optimizaron mediante el método semiempírico PM3 para calcular 5440 descriptores moleculares en el programa alvaDesc. Inicialmente, se usó el método V-WSP para la reducción de descriptores. Posteriormente, el conjunto de datos se dividió en grupos de calibración (70%) y predicción (30%). Los compuestos se dividieron en moléculas de alto y bajo poder odorante para modelarlos mediante el método de clasificación kNN (k-vecinos más cercanos) acoplado con los algoritmos genéticos (GAs). Se obtuvo un modelo con 2 descriptores y 5 vecinos cercanos, utilizando tasa de aciertos en calibración (NERcal = 0.75), validación cruzada (NERcv = 0.75) y predicción (NERpred = 0.78). El modelo se desarrolló con los principios de la Organización para la Cooperación y el Desarrollo Económico (OCDE) para hacerlo aplicable.