Modelos de aprendizaje profundo multitarea para la predicción basada en mecanismos de toxicidad para el desarrollo y...

Área de la Ciencia:

• Toxicología y Farmacología; Biología Computacional y Bioinformática; Métodos de Prueba In Vitro y Alternativos

Sus antecedentes:

• Los estudios tradicionales en animales para la toxicidad para el desarrollo y la reproducción (DART) consumen muchos recursos y presentan desafíos éticos.; Los Nuevos Métodos de Aproximación (NAMs) son cruciales para avanzar en la evaluación de DART.; La integración de datos mecanísticos con modelos computacionales ofrece una vía prometedora para la predicción de DART.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo informado por mecanismos para predecir DART.; Comparar el rendimiento de las arquitecturas de aprendizaje profundo de última generación con los algoritmos de aprendizaje automático tradicionales.; Validar la capacidad predictiva del modelo desarrollado utilizando datos de referencia de productos químicos externos.

Principales métodos:

• Se utilizaron datos de bioactividad in vitro de 23 bioensayos ToxCast vinculados a vías de desarrollo y reproducción.; Se desarrollaron y ajustaron cuatro arquitecturas de aprendizaje profundo: DGCL, TransFoxMol, MolPath y MolFormer.; Se empleó un marco de aprendizaje multitarea para mejorar la estabilidad y el rendimiento del modelo, particularmente para conjuntos de datos desequilibrados.

Principales resultados:

• El modelo de aprendizaje profundo DGCL superó significativamente a los algoritmos de aprendizaje automático de referencia (por ejemplo, random forest, XGBoost).; La extensión de aprendizaje multitarea de DGCL mejoró el rendimiento y la estabilidad para puntos finales con datos activos limitados.; La validación externa demostró un rendimiento predictivo equilibrado (F1 = 0.68), confirmando la fiabilidad y generalizabilidad del modelo.

Conclusiones:

• El marco de aprendizaje profundo informado por mecanismos desarrollado, en particular el modelo DGCL, ofrece un método no animal fiable y preciso para la predicción de DART.; Este enfoque maneja eficazmente datos de bioensayos mecanísticamente diversos y desequilibrados, abordando las limitaciones de los métodos tradicionales.; El estudio destaca el potencial de integrar datos de bioensayos mecanísticos con aprendizaje profundo para aplicaciones regulatorias en la evaluación de DART.