Metabolómica y aprendizaje automático aumentado por datos para predecir la toxicidad de mezclas de microplásticos

Área de la Ciencia:

• Ciencias Ambientales
• Toxicología
• Química Computacional

Sus antecedentes:

• Los microplásticos (MPs) existen como mezclas complejas en el medio ambiente, lo que dificulta las evaluaciones de toxicidad individuales.
• Es crucial desarrollar métodos rápidos y efectivos para evaluar la toxicidad de las mezclas de MPs para la evaluación de riesgos.

Objetivo del estudio:

• Desarrollar modelos predictivos para evaluar la toxicidad de mezclas de microplásticos.
• Comparar el rendimiento de los modelos de relación cuantitativa estructura-actividad (QSAR), relación cuantitativa bioactividad (QBAR) y relación cuantitativa estructura-bioactividad (QSBAR).

Principales métodos:

• Se exploraron tres marcos de modelos: QSAR, QBAR y QSBAR.
• Se emplearon seis algoritmos de aprendizaje automático con estrategias de aumento de datos.
• Se utilizaron datos de metabolómica para seleccionar biodescriptores para el modelo QBAR.

Principales resultados:

• El modelo eXtreme Gradient Boosting basado en QBAR (XGB-qbar) demostró un rendimiento superior (R²test = 0.8923).
• Se identificaron descriptores biológicos clave que influyen en la toxicidad.
• El análisis metabolómico reveló que la exposición a mezclas de MP puede reprogramar el metabolismo energético celular.

Conclusiones:

• Un enfoque de aprendizaje automático aumentado por datos y dirigido por metabolómica predice de manera eficiente la toxicidad de los microplásticos en mezclas complejas.
• Este enfoque proporciona información mecanicista y una vía factible para la evaluación de riesgos ambientales.