Deep learning-enhanced QSAR modeling for predicting developmental neurotoxicity based on molecular initiating events...

Área de la Ciencia:

• Toxicología computacional; quimioinformática; Aprendizaje profundo en toxicología

Sus antecedentes:

• La neurotoxicidad del desarrollo (DNT) presenta riesgos por la exposición a productos químicos.
• Las pruebas de toxicidad tradicionales son lentas, costosas y utilizan muchos animales.
• Se necesitan modelos predictivos para una evaluación eficiente de la seguridad química.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo-relación cuantitativa estructura-actividad (QSAR).
• Predecir las afinidades de unión para eventos moleculares iniciadores (MIE) y eventos clave (KE) en la Vía de Resultados Adversos (AOP).
• Evaluar el riesgo de DNT por cannabis contaminado con pesticidas.

Principales métodos:

• Entrenó redes neuronales profundas (DNN) con 24.476 compuestos de la base de datos ChEMBL.
• Probó modelos en 4 tareas de MIE y 6 tareas de KE.
• Utilizó valores SHAP para la interpretabilidad del modelo y el mapeo de características ECFP4.

Principales resultados:

• Logró un alto rendimiento predictivo con un coeficiente de correlación promedio de 0.82 ± 0.05.
• Demostró una gran precisión en la predicción de DNT y la identificación de MIE y KE relevantes.
• Visualizó las contribuciones de las características para comprender los mecanismos de toxicidad.

Conclusiones:

• El marco de aprendizaje profundo desarrollado predice con precisión la DNT.
• El modelo identifica eficazmente MIE y KE críticos en las vías de neurotoxicidad.
• Este enfoque ofrece una alternativa más rápida y rentable a las pruebas tradicionales de DNT.