高通量阅读交叉用于选大量相关结构的库存,通过平衡人工智能/机器学习和人类知识来实现平衡

科学领域:

• 毒理学 毒理学 毒理学
• 计算化学的计算化学
• 化学信息学是一种化学信息学.

背景情况:

• 交叉阅读是用于对数据较差的物质进行化学风险评估的in silico方法.
• 像QSARs这样的传统方法对于具有微弱化学生物相互作用数据的毒性终点是有限的.
• 估计没有观察到的不良影响水平 (NOAELs) 需要可靠的模拟选择和相似性评估方法.

研究的目的:

• 开发一种用于估计NOAELs的全新跨读范式.
• 建立一个数字化框架,以有效评估众多化学品和代谢物.
• 通过对双醇及其代谢物的案例研究来验证框架.

主要方法:

• 利用化学信息学和实验研究质量进行模拟选择.
• 开发了考虑结构,物理化学,ADME和生物相似性的模拟质量 (AQ) 度量.
• 从事机器学习 (ML) 混合规则从ToxCast/Tox21数据用于生物指纹.
• 应用决策理论方法来估计NOAEL信心边界.
• 创建了一个数字化工作流程,用于大规模的物质评估和优先级.

主要成果:

• 新的范式有效地通过利用模拟相似性来估计NOAEL.
• 使用ML进行生物指纹识别,提高了目标-模拟类型相似性评估的准确性.
• 数字化框架简化了对多个目标和众多代谢物的评估.
• 工作流证明了在双使用案例中的成功应用.

结论:

• 开发的横读方法为化学风险评估中的NOAEL估计提供了可靠的方法.
• 数字化框架显著提高了大规模毒理学评估的效率和可管理性.
• 这种方法为处理数据较差的化学品和复杂物质混合物提供了有价值的工具.