電子タバコ製品に使用される化学物質の毒性ポテンシャルを予測するためのマルチタスク定量的構造活性相関（QSAR）モデルの開発

科学分野:

• 計算毒性学
• 環境保健
• 化学リスク評価

背景:

• 電子タバコの排出物には、毒性データが限られている多数の化合物が含まれています。
• このデータギャップは、電子タバコ成分のハザード特定と化学物質の優先順位付けを妨げます。

研究 の 目的:

• 電子タバコの毒性を予測するための機械学習（ML）ベースの定量的構造活性相関（QSAR）モデルを開発および評価すること。
• 毒性予測のためのシングルタスク学習戦略とマルチタスク学習戦略のパフォーマンスを評価すること。
• 特定の毒性エンドポイントに関連する主要な化学的特徴を特定すること。

主な方法:

• 眼刺激性、皮膚刺激性、皮膚感作性、発がん性、遺伝毒性の5つの毒性エンドポイントのための解釈可能なMLベースのQSARモデルを開発しました。
• シングルタスクとマルチタスク学習の両方のアプローチを実装しました。
• 構造毒性相関を理解するために特徴量の重要性を分析しました。

主要な成果:

• マルチタスクQSARモデルは、眼/皮膚毒性（AUC≥0.69）および発がん性/遺伝毒性（AUC≥0.66）に対して中程度から高い性能を達成しました。
• マルチタスク学習を使用して、眼刺激性予測のパフォーマンスが大幅に向上しました。
• 特徴分析により、窒素含有基が刺激性毒性の鍵であり、静電特性が発がん性に影響を与えることが示されました。

結論:

• マルチタスクQSARモデリングは、十分に研究されていない電子タバコ化学物質の毒性を効果的に予測します。
• このアプローチは、異なる毒性エンドポイント間の関係を解明することができます。
• 電子タバコ製品のモデルに基づいた化学物質のハザード評価をサポートします。