Evaluación del riesgo de contaminación mediante el diseño de modelos predictivos de clasificación binaria de benceno...

Área de la Ciencia:

• Toxicología computacional y quimioinformática.
• Desarrollo de modelos predictivos para la evaluación de la seguridad química.

Sus antecedentes:

• Creciente necesidad de una evaluación rápida de la seguridad química por parte de las agencias reguladoras.
• Limitaciones de las pruebas tradicionales con animales en términos de tiempo y costo.
• Preferencia para los modelos cuantitativos de relación estructura-toxicidad (QSTR, por sus siglas en inglés) en la regulación química.

Objetivo del estudio:

• Evaluar modelos de aprendizaje automático para predecir la toxicidad de los compuestos derivados del benceno (BZC).
• Identificar un modelo robusto e interpretable para las aplicaciones de QSTR.
• Desarrollar un conjunto de reglas de decisión para la predicción de la toxicidad del BZC.

Principales métodos:

• Evaluación de cuatro modelos de ML de clasificación binaria: máquina vectorial de soporte, vecino k-más cercano, árbol de decisión CART y bosque aleatorio.
• Utilizó ClustOfvar para la selección óptima de características y SMOTE para el equilibrio de datos.
• Validación externa mediante cinco veces la validación cruzada de 1416 compuestos derivados del benceno (708 no tóxicos, 708 tóxicos).

Principales resultados:

• El modelo de árbol de decisión CART (DT) demostró un rendimiento superior.
• Se obtuvieron métricas de alta precisión: Q=95.42%, Precisión=96.60%, Recuerdo=94.67%, F-score=95.62%, Especificidad=96.27%, MCC=0.91, AUC=1.0.
• Se han identificado 10 reglas de decisión legibles por el ser humano para predecir la toxicidad del BZC.

Conclusiones:

• El modelo de árbol de decisión CART es una herramienta robusta y explicativa para el QSTR.
• Las metodologías desarrolladas pueden ayudar a llenar las lagunas de datos y a priorizar los ensayos de seguridad química.
• El enfoque propuesto facilita la identificación eficiente de las sustancias químicas orgánicas peligrosas.