Mejorar la predicción de la toxicidad de las sustancias químicas sintéticas mediante la fragmentación SMILES y el...

Área de la Ciencia:

• Química computacional
• Toxicología
• Inteligencia artificial

Sus antecedentes:

• Los métodos tradicionales de predicción de la toxicidad carecen de interpretabilidad.
• La identificación de las alertas estructurales (AS) es crucial para la evaluación del riesgo químico.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo interpretable para la predicción de la toxicidad química y la identificación de SA.
• Evaluar las diferentes estrategias de fragmentación de SMILES para esta tarea.

Principales métodos:

• Desarrolló un marco que integra la fragmentación SMILES con una red neuronal convolucional 1D (SFDL).
• Se evaluaron cuatro métodos de fragmentación (un solo átomo, un solo símbolo, centrado en el átomo, centrado en el símbolo) en los compuestos de PubChem.
• Se aplicó el modelo de mejor rendimiento (fragmentación centrada en símbolos) para predecir la toxicidad de 28.160 sustancias químicas sintéticas.

Principales resultados:

• El enfoque de fragmentación centrado en el símbolo logró un rendimiento superior para la predicción de la mutagenicidad (AUC = 0,87, PRAUC = 0,90).
• La estrategia SFDL-GenTok mostró un rendimiento predictivo robusto en 6 de los 10 puntos finales de toxicidad (AUC = 0,810,93).
• Alertas estructurales clave identificadas asociadas con alteraciones endocrinas, mutagenicidad y toxicidad mitocondrial, incluidos fragmentos halogenados, grupos nitro/fenólicos y motivos electrófilos.

Conclusiones:

• El marco SFDL-GenTok proporciona una herramienta interpretable y eficaz para la identificación de la toxicidad química y la SA.
• Este enfoque puede ayudar considerablemente a evaluar los riesgos de los productos químicos sintéticos para el medio ambiente y la salud humana.