Priorización de químicos esteatogénicos mediante la integración de datos de ToxCast™, aprendizaje automático y...

Área de la Ciencia:

• Toxicología
• Salud Ambiental
• Investigación de Enfermedades Metabólicas

Sus antecedentes:

• La esteatosis hepática (enfermedad del hígado graso) es una creciente preocupación de salud mundial relacionada con exposiciones ambientales.
• La regulación eficaz orientada al riesgo requiere la identificación y priorización de químicos con alta potencia esteatogénica.

Objetivo del estudio:

• Desarrollar y validar un modelo predictivo para identificar químicos esteatogénicos de alta potencia.
• Integrar datos de cribado de alto rendimiento con validación experimental in vivo e in vitro.

Principales métodos:

• Se aprovechó el marco de resultados adversos para la esteatosis hepática.
• Se integraron las puntuaciones de ToxPi de la base de datos ToxCast™ con la validación in vivo en cebras.
• Se emplearon algoritmos de Máquinas de Vectores de Soporte (SVM) y Random Walk with Restart para la predicción y categorización.

Principales resultados:

• Se desarrolló un modelo SVM con una precisión del 91,7 % en el conjunto de entrenamiento y del 77,1 % en la validación externa.
• Se categorizaron 345 químicos curados: 37,97 % de alta potencia, 18,84 % de potencia moderada, 43,19 % de efecto nulo.
• Se confirmó la alta potencia esteatogénica de contaminantes emergentes como el isodecil difenil fosfato y el éter bis(2-hidroxietil) de tetrabromobisfenol A.

Conclusiones:

• El enfoque integrado prioriza eficazmente los químicos esteatogénicos de alta potencia.
• Los hallazgos resaltan el riesgo que plantean varios contaminantes ambientales emergentes.
• Esta metodología apoya una evaluación sólida del riesgo toxicológico y ambiental.