Parallel computing system for the efficient calculation of molecular similarity based on negative electrostatic potential

Este documento propone una alternativa para la comparación del potencial electrostático molecular (PEM), con base en algoritmos de computación paralela en tarjetas gráficas de la plataforma CUDA de NVIDIA y métodos de kernel para el reconocimiento de patrones. La solución propuesta optimiza el proceso de construcción de una representación tipo grafo del PEM, presenta opciones para mejorar dicha representación, y ofrece 11 funciones de kernel para el proceso de comparación. La evaluación sobre un conjunto de 73 moléculas representativas de los grupos funcionales clásicos de la química, de la representación y los patrones de similitud mediante técnicas de agrupamiento mostró buenos resultados: Cuando se usa distancia de edición se encontraron agrupamientos por acidez y basicidad, además de los grupos funcionales mismos. Cuando se usan funciones de kernel se distinguen los agrupamientos por la presencia de oxígeno o nitrógeno y para los que contienen el primero también según el tipo de enlace del oxígeno (C=O o C-O). / Abstract. This document proposes an alternative method for the comparison of molecular electrostatic potential (MEP), based on parallel computing algorithms on graphics cards using NVIDIA CUDA platform and kernel methods for pattern recognition. The proposed solution optimizes the construction process of a graph type representation of MEP, presents options for improving this representation, and offers 11 kernel functions for the comparison process. Evaluation on a set of 73 molecules involving classic chemistry functional groups by using cluster analysis shows good results: When the edit distance is used the molecules are clustered by acidity and basicity relationships, besides of the functional groups themselves. When kernel functions are used it is possible to detect the presence of oxygen, nitrogen and for the former the cluster shows the different oxygen linckage (C=O or C-O).Maestrí