ToxCastのバイオアッセイを用いた発達性および生殖性毒性 (DART) のメカニズムベースの予測のためのマルチタスク深層学習モデル

科学分野:

• 毒理学と薬理学について
• 計算生物学とバイオインフォマティクス
• インビトロおよび代替試験方法

背景:

• 発達性および生殖性毒性 (DART) のための伝統的な動物研究は,資源が集約され,倫理的に困難です.
• 新しいアプローチの方法論 (NAM) は,DARTの評価を進めるために不可欠です.
• 機械的データを計算モデルと統合することで,DARTの予測に有望な道が開けます.

研究 の 目的:

• DART.を予測するためのメカニズムに基づくディープラーニングフレームワークを開発・評価する.
• 伝統的な機械学習アルゴリズムに対する最先端のディープラーニングアーキテクチャのパフォーマンスを比較する.
• 外部参照化学物質データを用いて,開発されたモデルの予測能力を検証する.

主な方法:

• 開発と生殖経路に関連した23のToxCastアッセイからのin vitroバイオアクティビティデータを利用しました.
• 4つのディープラーニングアーキテクチャ (DGCL,TransFoxMol,MolPath,MolFormer) を開発,微調整しました.
• マルチタスクの学習フレームワークを使用し,モデルの安定性とパフォーマンスを向上させ,特に不均衡のデータセットのために.

主要な成果:

• DGCLのディープラーニングモデルは,ベースラインの機械学習アルゴリズム (例えば,ランダムフォレスト,XGBoost) を大幅に上回った.
• DGCLのマルチタスク学習拡張は,限られたアクティブデータを持つエンドポイントの性能と安定性を改善しました.
• 外部検証により,バランスのとれた予測性能 (F1 = 0.68) が示され,モデルの信頼性と一般化性が確認されました.

結論:

• 開発されたメカニズムインフォームドディープラーニングフレームワーク,特にDGCLモデルは,DART予測のための信頼性と正確な非動物的な方法を提供します.
• このアプローチは,機械的に多様で不均衡な測定データを効果的に処理し,従来の方法の限界に対処します.
• この研究は,DART評価における規制上のアプリケーションのためのディープラーニングとメカニズム的バイオアッセイデータを統合する可能性を強調しています.