代替ベンゼンの予測バイナリ分類モデルを設計し,データマイニングと機械学習技術を中心に汚染リスクの評価
Aubin N'guessan1, Brice Dali1, Elvice Akori Esmel1
1Fundamental Applied Physics Laboratory (FAPL), University of Abobo-Adjamé (Now Nangui ABROGOUA), Abidjan 02, Côte d'Ivoire.
定量構造-毒性関係 (QSTR) モデルは化学の安全性を迅速に評価します. CARTの決定樹モデルは,ベンゼン由来化合物に対するTetrahymena pyriformisの毒性を効果的に予測した.
科学分野:
- コンピュータによる毒理学と化学情報学
- 化学安全評価のための予測モデルの開発
背景:
- 規制当局による迅速な化学安全評価の必要性が高まっている.
- 伝統的な動物実験の 時間とコストの限界
- 化学規制における量的な構造-毒性関係 (QSTR) モデルを優先する.
研究 の 目的:
- ベンゼン由来化合物 (BZC) の毒性を予測するための機械学習 (ML) モデルを評価する.
- QSTRアプリケーションのための堅牢で解釈可能なモデルを特定する.
- BZCの毒性の予測のための決定規則のセットを開発する.
主な方法:
- 4つのバイナリ分類MLモデルの評価:サポートベクトルマシン,k-近隣,CART決定木,ランダムフォレスト.
- 最適な特徴の選択のためにClustOfvarとデータバランスのためにSMOTEを使用した.
- ベンゼン由来化合物1416種 (708種無毒,708種有毒) の5倍クロス検証による外部検証
主要な成果:
- CART 意思決定ツリー (DT) モデルは優れたパフォーマンスを示しました.
- 高精度メトリック:Q=95. 42%,精度=96. 60%,リコール=94. 67%,Fスコア=95. 62%,特異性=96. 27%,MCC=0. 91,AUC=1. 0
- BZCの毒性を予測するための人間に読める10の決定ルールを特定した.
結論:
- CARTの意思決定ツリーモデルは,QSTRの強力な説明ツールです.
- 開発された方法論は,データのギャップを埋め,化学安全試験の優先順位を決めるのに役立ちます.
- 提案されたアプローチは,危険な有機化学物質の効率的な識別を容易にする.
さらに関連する動画
05:47In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
関連する概念動画
Mechanistic Models: Compartment Models in Individual and Population Analysis
Statistical Methods for Analyzing Epidemiological Data
Electrophilic Aromatic Substitution: Sulfonation of Benzene
Steps in Outbreak Investigation
Nomenclature of Aromatic Compounds with a Single Substituent
Electrophilic Aromatic Substitution: Chlorination and Bromination of Benzene
